前言
前端时间再回顾了一下node.js，于是顺势做了一个爬虫来加深自己对node的理解。
主要用的到是request，cheerio，async三个模块
request
用于请求地址和快速下载图片流。 https://github.com/request/request
cheerio
为服务器特别定制的，快速、灵活、实施的jQuery核心实现.
便于解析HTML代码。 https://www.npmjs.com/package/cheerio
async
异步调用，防止堵塞。 http://caolan.github.io/async/
核心思路
- 用request 发送一个请求。获取HTML代码，取得其中的img标签和a标签。
- 通过获取的a表情进行递归调用。不断获取img地址和a地址，继续递归
- 获取img地址通过request(photo).pipe(fs.createWriteStream(dir + “/” + filename));进行快速下载。
uri: url,headers: setting.header
},function (error,response,body) {
if (error) {
console.log(error);
} else {
console.log(response.statusCode);
if (!error && response.statusCode == 200) {
var $ = cheerio.load(body);
var photos = [];
$('img').each(function () {
// 判断地址是否存在
if ($(this).attr('src')) {
var src = $(this).attr('src');
var end = src.substr(-4,4).toLowerCase();
if (end == '.jpg' || end == '.png' || end == '.jpeg') {
if (IsURL(src)) {
photos.push(src);
}
}
}
});
downloadImg(photos,dir,setting.download_v);
// 递归爬虫
$('a').each(function () {
var murl = $(this).attr('href');
if (IsURL(murl)) {
setTimeout(function () {
fetchre(murl);
},timeout);
timeout += setting.ajax_timeout;
} else {
setTimeout(function () {
fetchre("http://www.ivsky.com/" + murl);
},timeout);
timeout += setting.ajax_timeout;
}
})}
}
});
}
防坑
1.在request通过图片地址下载时，绑定error事件防止爬虫异常的中断。
2.通过async的mapLimit限制并发。
3.加入请求报头，防止ip被屏蔽。
4.获取一些图片和超链接地址，可能是相对路径（待考虑解决是否有通过方法）。
async.mapLimit(photos,asyncNum,function (photo,callback) {
var filename = (new Date().getTime()) + photo.substr(-4,4);
if (filename) {
console.log('正在下载' + photo);
// 默认
// fs.createWriteStream(dir + "/" + filename)
// 防止pipe错误
request(photo)
.on('error',function (err) {
console.log(err);
})
.pipe(fs.createWriteStream(dir + "/" + filename));console.log('下载完成');
callback(null,filename);
}
},function (err,result) {
if (err) {
console.log(err);
} else {
console.log(" all right ! ");
console.log(result);
}
})
}
测试：
可以感觉到速度还是比较快的。
