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,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。

1. 爬取图片链接

因为之前也写过nodejs爬虫功能(参见:nodejs微信公众号开发——9.爬取网站素材定时推送消息),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:

发现waterfall_zoom里面空空如也,查找了一下,发现所有的数据都是写在<script>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:

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);
    }
});

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fs.createWriteStream()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');

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:async_demo/map.js,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。async.map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。async.mapSeries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){});

注: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。

成功捕获一批猫猫!

2.3 使用bagpipe批量

bagpipe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。

如果觉得我的文章对你有用,请随意赞赏

你可能感兴趣的文章

chenchenchen · 6 天前

有码源吗

回复

0

已经很清楚了

芒果屋里的猫 作者 · 6 天前
0

@芒果屋里的猫 是挺清楚的就是写到一起,先抓图片路径再下载图片,如果有下一页还要看下一页的图片路径,我就蒙了,不过还是谢谢

chenchenchen · 6 天前
载入中...
芒果屋里的猫 芒果屋里的猫

826 声望

发布于专栏

web攻城猫

愿一切付出皆有回报,一切坚持都能始终。

14 人关注