nodejs制作爬虫实现批量下载图片

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 猫 ，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制作爬虫全过程 ），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： ，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。