当前位置：首页 > 资讯 > 技术文档

nodejs制作爬虫实现批量下载图片

时间：2021-10-20 12:54 编辑：来源：阅读：
扫一扫，手机访问

摘要：nodejs制作爬虫实现批量下载图片

今天想获取一大批猫的图片，然后就在360流浪器搜索框中输入 [code]猫[/code] ，然后点击图片。就看到了一大波猫的图片： http://image.so.com/i?q=%E7%8... ，我在想啊，要是审查元素，一张张手动下载，多麻烦，所以打算写程序来实现。不写不知道，一写发现里面还是有很多道道的。 [img]http://img.1sucai.cn/uploads/article/2018010710/20180107100155_0_67350.png[/img] 1. 爬取图片链接因为之前也写过nodejs爬虫功能（参见：[url=http://www.1sucai.cn/article/58819.htm]NodeJS制作爬虫全过程 [/url]），所以觉得应该很简单，就用cheerio来处理dom啦，结果打印一下啥也没有，后来查看源代码： [img]http://img.1sucai.cn/uploads/article/2018010710/20180107100155_1_79179.png[/img] 发现 [code]waterfall_zoom[/code] 里面空空如也，查找了一下，发现所有的数据都是写在 [code]<script>[/code] 里面，然后动态加载到页面的，所以用cheerio.load到的页面里面其实没数据的。真实数据： [img]http://img.1sucai.cn/uploads/article/2018010710/20180107100155_2_36467.png[/img] 分析完毕，刷刷写代码：

var request = require('request');
var cheerio = require('cheerio');
var url = 'http://image.so.com/i?q=%E7%8C%AB&src=tab_www';

request(url,function(err,res,body){
  if(!err && res.statusCode === 200){
    var $ = cheerio.load(body);
    var imgList = []
    JSON.parse($('script[id="initData"]').html()).list.forEach(function(item){
      imgList.push(item.img)
    });
    console.log(imgList);
  }
});

[img]http://img.1sucai.cn/uploads/article/2018010710/20180107100156_3_37777.png[/img] 2. 下载图片到本地 2.1 粗糙的方案最初的思路很简单，简单的 [code]fs.createWriteStream()[/code] 就能解决：

var downloadPic = function(src, dest){
  request(src).pipe(fs.createWriteStream(dest)).on('close',function(){
    console.log('pic saved!')
  })
}

使用方式：

downloadPic(imgList[0],'./catpics/1.jpg');

[img]http://img.1sucai.cn/uploads/article/2018010710/20180107100156_4_76685.png[/img] 成功捕获一只猫！然后写了一个循环准备捕获所有猫。然而这种方式是串行的，速度很慢！下载一大批图片要花大量时间。 2.2 使用async异步批量下载关于async的map操作，详见： [url=https://github.com/freewind/async_demo/blob/master/map.js]async_demo/map.js[/url] ，对集合中的每一个元素，执行某个异步操作，得到结果。所有的结果将汇总到最终的callback里。与forEach的区别是，forEach只关心操作不管最后的值，而map关心的最后产生的值。提供了两种方式：并行执行。 [code]async.map[/code] 同时对集合中所有元素进行操作，结果汇总到最终callback里。如果出错，则立刻返回错误以及已经执行完的任务的结果，未执行完的占个空位顺序执行。 [code]async.mapSeries[/code] 对集合中的元素一个一个执行操作，结果汇总到最终callback里。如果出错，则立刻返回错误以及已经执行完的结果，未执行的被忽略。在此处：

async.mapSeries(imgList,function(item, callback){
  setTimeout(function(){
    downloadPic(item, './catpics/'+ (new Date()).getTime() +'.jpg');
    callback(null, item);
  },400);
}, function(err, results){});

[code]注：[/code] 此处使用setTimeout，是因为下载需要一定时间，在笔者较慢网速下，需要400ms的间隔能确保每张图片下载完全。 [img]http://img.1sucai.cn/uploads/article/2018010710/20180107100157_5_73774.png[/img] 成功捕获一批猫猫！ 2.3 使用bagpipe批量 [url=https://github.com/JacksonTian/bagpipe]bagpipe[/url] 是朴灵大大做的一个在nodejs中控制并发执行的模块。其安装和使用也比较简单:

npm install bagpipe --save

使用：

var Bagpipe = require('bagpipe');

var bagpipe = new Bagpipe(10);
var files = ['这里有很多很多文件'];
for(vari =0; i < files.length; i++){
  bagpipe.push(fs.readFile, files[i], 'utf-8',function(err, data){
    ...
  });
}

在此处：

var bagpipe = new Bagpipe(10,{timeout: 100});
for(var i = 0; i < imgList.length; i++) {
  console.log('i:'+i)
  bagpipe.push(downloadPic, imgList[i], './catpics/'+ i +'.jpg', function(err, data){
    //
   });
}

3.总结作为一个程序员，能用程序解决就不手动解决。每一次尝都会有新的收获。

全部评论(0)

上一篇：node.js中的fs.mkdirSync方法使用说明
下一篇：node.js（express）中使用Jcrop进行图片剪切上传功能

资讯排行榜
更多>>