使用nodeJS写一个简单的小爬虫

需要安装的依赖：

requset

使用request向需要爬取的网站发起一个请求，在回调里使用body接收数据

我选取百度图库，作为本次爬取的网站

使用百度搜素二次元萌妹子，然后在地址栏里将URL复制下来

const request = require('request');

const options = {
    method: "GET",
    url: "https://image.baidu.com/search/index?isource=infinity&iname=baidu&tn=baiduimage&word=%E4%BA%8C%E6%AC%A1%E5%85%83%E8%90%8C%E5%A6%B9",
    headers:{
        "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"
    }
}
//先打印一下，看看是否抓取到了数据
requset(options,(err,res,body)=>{
    console.log(err);
    console.log(res.statusCode);
    console.log(body);
})
复制代码

当看到控制台输出一大串信息后（网页源代码），且没有报错，statusCode返回200，说明正确请求到了数据。

接着，我们需要对数据，进行处理（对返回的数据，进行分析，拿到我们想要的数据，这里我们想要得到数据是图片的URL地址）。

处理数据的方式：

正则表达式

作为一个程序员，处理字符串，首先想到的当然是正则了

使用正则去匹配data-url

const request = require('request');

const options = {
    method: "GET",
    url: "https://image.baidu.com/search/index?isource=infinity&iname=baidu&tn=baiduimage&word=%E4%BA%8C%E6%AC%A1%E5%85%83%E8%90%8C%E5%A6%B9",
    headers:{
        "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"
    }
}
//先打印一下，看看是否抓取到了数据
request(options,(err,res,body)=>{
    const reg = /thumbURL":"https?:\/\/.+?&gp=0.jpg/ig;
    const urlArr = body.match(reg);
    const msgArr = [];
    urlArr.forEach(( val,idx ) => {
        const reg = /https?:\/\/.+?&gp=0.jpg/;
        msgArr.push(val.match(reg)[0]);
    })
    console.log(msgArr);
})
复制代码

匹配成功！！！我们试着点击一下，能否访问

就很棒，抓到的数据，没有问题

接着，我们尝试着将图片下载下来

//想要下载图片，就必须请求图片的地址
//访问到图片的静态资源后，使用管道流保存到文件中
//因为I/O操作是异步的，所以使用Promise将代码改写一下
const request = require('request');
const fs = require('fs');//写入文件，需要导入fs模块
const options = {
    method: "GET",
    url: "https://image.baidu.com/search/index?isource=infinity&iname=baidu&tn=baiduimage&word=%E4%BA%8C%E6%AC%A1%E5%85%83%E8%90%8C%E5%A6%B9",
    headers:{
        "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"
    }
}

new Promise(( res,rej ) => {
    request(options,( err,response,body ) => {
        const reg = /thumbURL":"https?:\/\/.+?&gp=0.jpg/ig;
        const urlArr = body.match(reg);
        const msgArr = [];
        urlArr.forEach(( val,idx ) => {
            const reg = /https?:\/\/.+?&gp=0.jpg/;
            msgArr.push(val.match(reg)[0]);
        })
        res(msgArr);
    })
}).then( msgArr => {
    msgArr.forEach(( val,idx ) => {
        request(val).pipe(fs.createWriteStream("./img/"+idx+".jpg"));
    })
})

复制代码

此时打开文件夹，可以看到图片已经下载成功！

使用正则，可以解析使用JS渲染的页面，如果发起请求后，body接收的数据返回的是一个页面结构，则可以使用以下两个npm包：

jsdom
cheerio

jsdom可以将数据解析成DOM结构，cheerio则将数据包装成jQuery

以百度搜索为例，如果要抓取搜索结果的标题内容和链接

//
const request = require("request")
const {JSDOM} = require("jsdom")
//const cheerio = require("cheerio")

const word = encodeURI("二次元萌妹")
request({
    url : "https://www.baidu.com/s?wd="+word,
    headers:{
        "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"
    }
},(err,response,body)=>{
    if(err)throw err;
    if( response.statusCode >=200 && response.statusCode<300 ){
        //JSDOM处理body
        let {window} = new JSDOM(body);
        let aDOM = window.document.querySelectorAll("h3.t a");
        [...aDOM].forEach(ele => {
            console.log(ele.text,ele.href);
        })

        //cheerio处理body
        /*let $ = cheerio.load(body);
        $("h3.t a").each((i,ele)=>{
            console.log($(ele).attr("href"));
            console.log($(ele).text());
        })*/
    }
});

复制代码

得到的结果

可以看到操作十分简便，但是如果数据量大，这种方法性能不佳

使用nodeJS写一个简单的小爬虫

猜你喜欢