手把手教你多页面递归爬虫--基于Node.Js

前言

前端时间再回顾了一下node.js，于是顺势做了一个爬虫来加深自己对node的理解。
主要用的到是request，cheerio，async三个模块
request
用于请求地址和快速下载图片流。
https://github.com/request/request
cheerio
为服务器特别定制的，快速、灵活、实施的jQuery核心实现.
便于解析html代码。
https://www.npmjs.com/package/cheerio
async
异步调用，防止堵塞。
http://caolan.github.io/async/

核心思路

• 用request 发送一个请求。获取html代码，取得其中的img标签和a标签。
• 通过获取的a表情进行递归调用。不断获取img地址和a地址，继续递归
• 获取img地址通过request(photo).pipe(fs.createWriteStream(dir + “/” + filename));进行快速下载。

function requestall(url) {  request({    uri: url,    headers: setting.header  }, function (error, response, body) {    if (error) {      console.log(error);    } else {      console.log(response.statusCode);      if (!error && response.statusCode == 200) {        var $ = cheerio.load(body);        var photos = [];        $('img').each(function () {          // 判断地址是否存在          if ($(this).attr('src')) {            var src = $(this).attr('src');            var end = src.substr(-4, 4).toLowerCase();            if (end == '.jpg' || end == '.png' || end == '.jpeg') {              if (IsURL(src)) {                photos.push(src);              }            }          }        });        downloadImg(photos, dir, setting.download_v);        // 递归爬虫        $('a').each(function () {          var murl = $(this).attr('href');          if (IsURL(murl)) {            setTimeout(function () {              fetchre(murl);            }, timeout);            timeout += setting.ajax_timeout;          } else {            setTimeout(function () {              fetchre("http://www.ivsky.com/" + murl);            }, timeout);            timeout += setting.ajax_timeout;          }        })      }    }  });}

防坑

1.在request通过图片地址下载时，绑定error事件防止爬虫异常的中断。
2.通过async的mapLimit限制并发。
3.加入请求报头，防止ip被屏蔽。
4.获取一些图片和超链接地址，可能是相对路径（待考虑解决是否有通过方法）。

function downloadImg(photos, dir, asyncNum) {  console.log("即将异步并发下载图片，当前并发数为:" + asyncNum);  async.mapLimit(photos, asyncNum, function (photo, callback) {    var filename = (new Date().getTime()) + photo.substr(-4, 4);    if (filename) {      console.log('正在下载' + photo);      // 默认      // fs.createWriteStream(dir + "/" + filename)      // 防止pipe错误      request(photo)        .on('error', function (err) {          console.log(err);        })        .pipe(fs.createWriteStream(dir + "/" + filename));      console.log('下载完成');      callback(null, filename);    }  }, function (err, result) {    if (err) {      console.log(err);    } else {      console.log(" all right ! ");      console.log(result);    }  })}

测试：

可以感觉到速度还是比较快的。

完整地址。https://github.com/hua1995116/node-crawler/