「滴滴滴，老司机开车了」Nodejs 爬取煎蛋网妹子图

“流氓不可怕，就怕流氓有文化”

前天刚考完编译，今天考完网络，就开始捣鼓代码了，花了一天时间摸索了一下nodejs的爬虫，也就是tcp，http连接。

也是就做了一个爬取煎蛋网妹子图的爬虫，并保持至本地。

思路介绍

通过http请求报文模拟一次访问煎蛋网的操作
获取到了网页的HTML代码后，进行正则表达式匹配，得到图片地址
通过图片地址，再次发送http请求报文，将图片数据保存至本地

思路简单了解后，便开始工作了。

然而并不是一帆风顺

得不到`HTML`？

参考资料http://chenxi.name/60.html，利用request包进行傻瓜式调用，然而并不能生效，将会跳转至一个屏蔽提示网页

png

煎蛋网为了防止恶意爬取数据，进行了一定程度的防爬措施。但这可难不倒我，为什么在浏览器上就能正常浏览图片页面呢？

于是我打开浏览器控制台，复制页面请求报文的cmd格式，粘贴至命令行中运行，能够正确得到HTML。

png
png

所以，我觉得问题就是出现在请求报文头部数据，于是复制下浏览器中报头，利用nodejs的http包，建立http连接。

require('http').get({
        hostname:'jandan.net',
        path:'/',
        header:{
            ...
        }
    },function(res){
        
    })

但是奇怪的是！还是响应302，跳转至屏蔽提示页面。

最后没办法的我只好利用底层一点的api——net包，建立tcp连接，发送符合http请求报文格式的数据。

var net = require('net');
var header = require('fs').readFileSync('./header.txt').toString();

module.exports = function (path,callback) {
    const socket = net.createConnection(80,'jandan.net');

    socket.write(
        'GET '+path+' HTTP/1.1\r\n'+
        header
    );

    socket.setEncoding('utf-8');
    socket.setTimeout(4000,function () {
        callback(html);
        console.error(new Error('Time OUT'));
        socket.end();
    });

    var html = '';
    socket.on('data',function (chunk) {
        html+=chunk;
    });

    socket.on('end',function () {
        console.log('disconnected from server');
    });
}

header.txt

Host: jandan.net
Connection: keep-alive
Cache-Control: max-age=0
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36
Referer: http://jandan.net/v
Accept-Language: zh-CN,zh;q=0.8
Cookie: gif-click-load=on; bad-click-load=on; PHPSESSID=u1gnmqnpb75injakbgvkb6r413; 4036050675=c119Yp%2BLrMWuv%2BWMyYtq3x6vTdbFzaTbUyoiLt%2Fv; jdna=596e6fb28c1bb47f949e65e1ae03f7f5#1467288596467; Hm_lvt_fd93b7fb546adcfbcf80c4fc2b54da2c=1467287791; Hm_lpvt_fd93b7fb546adcfbcf80c4fc2b54da2c=1467288598; _ga=GA1.2.330681373.1467287790

注意，header.txt最后需要两个\r\n表示请求报头结束。最后果然是成功了，但具体两种方法的不同我也说不上来，希望有热心读者能告诉我。

数据传输同步异步？

利用下面的递归方法加上Promise.all同步方法，防止过度的tcp连接（改用下面方法后，tcp读写错误明显减少，但还是会出现，不知道有没有大神帮我解决该问题呢？）

function run(i,low) {
    if(i<low) return;
    spider('/ooxx/page-'+i,function (html) {
        var images = [];
        html.replace(/<img.+?src="(http.+?sina.+?)"/g,function (m,c) {
            images.unshift(c);
        });
        var page = i;
        var proms = images.map((x,i,a)=>{
            return new Promise((resolve,reject)=>{
                var req = http.get(x,function (res) {
                    res.on('error',function (err) {
                        console.error(err);
                        resolve('fail');
                    });
                    var filename = x.substr(x.lastIndexOf('/')+1);
                    download(dir+'/'+filename,res);
                    console.log('PAGE:'+page+'...'+filename+'...'+(i+1)+'/'+a.length);
                    resolve('done');
                }).end();
            });
        });
        Promise.all(proms)
            .then((values)=>{
                //上一页的图片加入下载队列后，再开始递归下一页。
                run(i-1,low);
            });
    });
}

最后文件夹就像下面一样！

png