Node.js学习 爬虫下载豆瓣电影top250图片
Posted 弗朗西斯科
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Node.js学习 爬虫下载豆瓣电影top250图片相关的知识,希望对你有一定的参考价值。
利用node.js实现爬虫,并且爬取豆瓣电影top250的列表和图片。
1 什么是node.js
简单的说 Node.js 就是运行在服务端的 javascript。
Node.js 是一个基于Chrome JavaScript 运行时建立的一个平台。
Node.js是一个事件驱动I/O服务端JavaScript环境,基于Google的V8引擎
2 什么是爬虫
(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。
3 准备
需要引入的包有cheerio和request,直接使用npm install命令在工程目录下安装即可。
其中cheerio是类似jquery的包,cheerio是nodejs的抓取页面模块,用于解析DOM的。
而Request —— 让 Node.js http请求变得超简单。
新建data目录和img目录,data目录下面存放电影信息,img目录存放图片。这两个目录同样可以用fs模块的内置函数生成。
4 源码
var http = require(‘https‘); // 豆瓣网站添加了https,所以用http模块就抓不到数据了,把http模块换成https模块,并且不得指定80端口,这里无需指定端口,https模块会默认使用443端口。 var fs = require(‘fs‘); var path = require(‘path‘); var cheerio = require(‘cheerio‘); // 使用npm install cheerio --save 来安装 加入--sava参数,项目对于此包的依赖就会写入package.json中 // 这里不需要全局安装,所以不需要-g参数 var request = require(‘request‘); var movies = []; // 爬虫的URL信息 // var num=0; function getData(startNum) { var opt = { hostname: ‘movie.douban.com‘, path: ‘/top250?start=‘ + startNum + ‘&filter=‘, // port : 80, headers: { ‘User-Agent‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/33.0.1750.117 Safari/537.36‘ } }; http.get(opt, function(res) { var html = ‘‘; res.setEncoding(‘utf-8‘); res.on(‘data‘, function(chunk) { html += chunk; }); res.on(‘end‘, function() { // 真正的处理在这里 var $ = cheerio.load(html); $(‘.item‘).each(function() { var info = $(".bd p", this).text().replace(/\s+/g, ""); var actor = $(".bd p", this).text(); var temp,temp2; info.replace(/([\u2E80-\u9FFF\:\·]+)/, function(match, $1, $2) { temp = $1; temp2 = $2; }); var movie = { title: $(‘.title‘, this).eq(0).text(), director: temp, actor: temp2, year: /\d+/g.exec(info).toString(), star: $(‘.info .star .rating_num‘, this).text(), quote: $(".quote .inq", this).text(), picURL: $(‘.pic img‘, this).attr(‘src‘) }; movies.push(movie); saveImg(‘img/‘,movie.picURL,movie.title); }); // console.log(movies); if(num<=25) getData(num+=5); }) // 还可以是txt // 调用10次,每次 saveData(‘data/data.json‘, movies); }).on(‘error‘, function(err) { console.log(err); }) } getData(0); /** * [saveData description] * @param {[type]} path [保存数据的文件夹] * @param {[type]} movies [数据] * @return {[type]} [description] */ function saveData(path, movies) { fs.writeFile(path, JSON.stringify(movies), function(err) { if (err) { return console.log(err); }else { console.log("Data saved"); } }) } // 保存图片函数 function saveImg(imgDir, url,title) { http.get(url, function(res) { var data = ‘‘; res.setEncoding(‘binary‘); res.on(‘data‘, function(chunk) { data += chunk; }); res.on(‘end‘, function() { // path.basename(url) fs.writeFile(imgDir + title + ‘.jpg‘, data, ‘binary‘, function(err) { if (err) { return console.log(err); } console.log(‘image downloaded‘, title + ‘.jpg‘); }); }) }).on(‘error‘, function(err) { console.log(err); }) }
以上是关于Node.js学习 爬虫下载豆瓣电影top250图片的主要内容,如果未能解决你的问题,请参考以下文章