利用node.js写一个爬取知乎妹纸图的小爬虫

前言

说起写node爬虫的原因，真是羞羞呀。一天，和往常一样，晚上吃过饭便刷起知乎来，首页便是推荐的你见过最漂亮的女生长什么样？,点进去各种漂亮的妹纸爆照啊！！!,看的我好想把这些好看的妹纸照片都存下来啊！一张张点击保存，就在第18张得时候，突然想起。我特么不是程序员么，这种手动草做的事，怎么能做，不行我不能丢程序员的脸了，于是便开始这次爬虫之旅。

原理

初入爬虫的坑，没有太多深奥的理论知识，要获取知乎上帖子中的一张图片，我把它归结为以下几步。

• 准备一个url(当然是诸如你见过最漂亮的女生长什么样？????)
• 获取这个url的html内容，并分析其中的dom结构，遍历找到这些漂亮的妹纸图片url
• 获取图片内容
• 将图片内容写入本地文件
  

开始动手

大概知道原理之后我们就可以开干了

准备一个url

这个最简单了，去知乎随便一搜就是一大把，我们以

为例子，先来分析一下这个页面的dom结构,其实很简单，知乎的一个页面中会包含很多种类型的图片，有头像，用户评价上传的图片啥的。基本上在noscript种都可以找到对应的图片地址。

获取这个url的html内容,并且拿到当前页面noscript中的img链接

这一步我们需要会点简单的nodejs的知识，以及用到一个库叫cheerio,这个库具体是用来做什么的，详细请移步。

简单来说就是可以在命令行中使用jquery来搜索遍历获取相应的元素。

那么怎样才能获取这个帖子的html呢

使用nodejs的https模块

var https = require('https')
getallhtml (url, callback) {
 let shtml = '',
 _this = this;
 https.get(url, (res) => {
 res.on('data', (data) => {
 shtml += data;
 });
 res.on('end', () => {
 callback.bind(_this, shtml)();
 })
 }).on('error', (err) => {
 console.log(err);
 });
}

通过以上操作拿到网站的html之后，便是遍历出我们需要的图片地址来了

filterhtml (shtml, filepath) {
 let $ = cheerio.load(shtml), // 将上一步拿到的网站html传入cheerio.load，便得到类似于包装过的jquery对象，可以像jquey的选择器一样来选择元素
 $imgs = $('noscript img'),
 imgdata = [],
 _this = this;
 $imgs.each((i, e) => {
 let imgurl = $(e).attr('src'); //取出对应的url
 imgdata.push(imgurl);
 // 将url传入开始下载
 _this.downloadimg(imgurl, _this.filepath, 
 function (err) {
 console.log(imgurl + 'has be down');
 });
 });
 console.log(imgdata);
}

有了图片的url，如何下载到本地呢？

我们需要使用request这个库，简单的调用一下api再结合node原生写文件的api。

downloadimg (imgurl, filepath, callback) {
 let filename = this.parsefilename(imgurl);
 request(imgurl).pipe(fs.createwritestream('./' + filepath + '/'+filename)).on('close', callback && callback);
 }

到这里就大功告成了，是不是很简单!!!已经将源码上传，欢迎大家下载查看。

github地址：

本地下载地址：

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家学习或者使用node.js能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对的支持。