//====================================================== // mm131圖片批量下載爬蟲1.00 // 2017年11月15日 //====================================================== // 內置http模塊 var http=require("http"); // 內置文件處理模塊,用於建立目錄和圖片文件 var fs=require('fs'); // 用於轉碼。非Utf8的網頁如gb2132會有亂碼問題,須要iconv將其轉碼 var iconv = require('iconv-lite'); // cheerio模塊,提供了相似jQuery的功能,用於從HTML code中查找圖片地址和下一頁 var cheerio = require("cheerio"); // 請求參數JSON。http和https都有使用 var options; // request請求 var req; // 圖片數組,找到的圖片地址會放到這裏 var pictures=[]; //-------------------------------------- // 爬取網頁,找圖片地址,再爬 // pageUrl sample:http://www.mm131.com/xinggan/2852.html // pageUrl sample:http://www.mm131.com/xinggan/2853.html // pageUrl sample:http://www.mm131.com/xinggan/2976.html //-------------------------------------- function crawl(pageUrl){ console.log("Current page="+pageUrl); // 獲得hostname和path var currUrl=pageUrl.replace("http://",""); var pos=currUrl.indexOf("/"); var hostname=currUrl.slice(0,pos); var path=currUrl.slice(pos); //console.log("hostname="+hostname); //console.log("path="+path); // 初始化options options={ hostname:hostname, port:80, path:path,// 子路徑 method:'GET', }; req=http.request(options,function(resp){ var html = []; resp.on("data", function(data) { html.push(data); }) resp.on("end", function() { var buffer = Buffer.concat(html); var body = iconv.decode(buffer,'gb2312'); // 特意增長的,爲了讓漢字不亂碼,header裏面有<meta http-equiv="Content-Type" content="text/html; charset=gb2312">字樣都須要iconv幫忙轉碼 //console.log(body); var $ = cheerio.load(body); var picCount=0; // 找圖片放入數組 $(".content-pic a img").each(function(index,element){ var picUrl=$(element).attr("src"); //console.log(picUrl); if(picUrl.indexOf('.jpg')!=-1){ pictures.push(picUrl); picCount++; } }) console.log("找到圖片"+picCount+"張."); var nextPageUrl=null; // 找下一頁 $(".content-page a").each(function(index,element){ var text=$(element).text(); if(text.indexOf('下一頁')!=-1){ nextPageUrl=$(element).attr("href"); nextPageUrl="http://www.mm131.com/xinggan/"+nextPageUrl;// 把省略部分加上 console.log("找到下一頁."); } }) if(nextPageUrl==null){ console.log(pageUrl+"已是最後一頁了.\n"); download(pictures); }else{ //console.log("下一頁是"+nextPageUrl); crawl(nextPageUrl); } }).on("error", function() { console.log("獲取失敗") }) }); // 超時處理 req.setTimeout(7500,function(){ req.abort(); }); // 出錯處理 req.on('error',function(err){ console.log('請求發生錯誤'+err); }); // 請求結束 req.end(); } //-------------------------------------- // 下載圖片 //-------------------------------------- function download(pictures){ var folder='pictures('+getNowFormatDate()+")"; // 建立目錄 fs.mkdir('./'+folder,function(err){ if(err){ console.log("目錄"+folder+"已經存在"); } }); var total=0; total=pictures.length; console.log("總計有"+total+"張圖片將被下載."); appendToLogfile(folder,"總計有"+total+"張圖片將被下載.\n"); for(var i=0;i<pictures.length;i++){ var picUrl=pictures[i]; downloadPic(picUrl,folder); } } //-------------------------------------- // 寫log文件 //-------------------------------------- function appendToLogfile(folder,text){ fs.appendFile('./'+folder+'/log.txt', text, function (err) { if(err){ console.log("不能書寫log文件"); console.log(err); } }); } //-------------------------------------- // 取得當前時間 //-------------------------------------- function getNowFormatDate() { var date = new Date(); var seperator1 = "-"; var seperator2 = "_"; var month = date.getMonth() + 1; var strDate = date.getDate(); if (month >= 1 && month <= 9) { month = "0" + month; } if (strDate >= 0 && strDate <= 9) { strDate = "0" + strDate; } var currentdate =date.getFullYear() + seperator1 + month + seperator1 + strDate + " " + date.getHours() + seperator2 + date.getMinutes() + seperator2 + date.getSeconds(); return currentdate; } //-------------------------------------- // 下載單張圖片 // picUrl sample:http://img2.mm131.com:55888/pic/2852/1.jpg //-------------------------------------- function downloadPic(picUrl,folder){ console.log("圖片:"+picUrl+"下載開始"); // 獲得hostname,path和port var currUrl=picUrl.replace("http://",""); var pos=currUrl.indexOf("/"); var hostname=currUrl.slice(0,pos); var path=currUrl.slice(pos); // 有端口加端口,沒有端口默認80 var port=80; if(hostname.indexOf(":")!=-1){ var arr=hostname.split(":"); hostname=arr[0]; port=arr[1]; } //console.log("hostname="+hostname); //console.log("path="+path); //console.log("port="+port); var picName=currUrl.slice(currUrl.lastIndexOf("/")); // 初始化options options={ hostname:hostname, port:port, path:path,// 子路徑 method:'GET', headers:{ 'Referer':'http://www.mm131.com', } }; req=http.request(options,function(resp){ var imgData = ""; resp.setEncoding("binary"); resp.on('data',function(chunk){ imgData+=chunk; }); resp.on('end',function(){ // 建立文件 var fileName="./"+folder+picName; fs.writeFile(fileName, imgData, "binary", function(err){ if(err){ console.log("[downloadPic]文件"+fileName+"下載失敗."); console.log(err); appendToLogfile(folder,"文件 "+picUrl+" 下載失敗.\n"); }else{ appendToLogfile(folder,"文件 "+picUrl+" 下載成功.\n"); console.log("文件"+fileName+"下載成功"); } }); }); }); // 超時處理 req.setTimeout(7500,function(){ req.abort(); }); // 出錯處理 req.on('error',function(err){ if(err){ console.log('[downloadPic]文件'+picUrl+"下載失敗,"+'由於'+err); appendToLogfile(folder,"文件"+picUrl+"下載失敗.\n"); } }); // 請求結束 req.end(); } //-------------------------------------- // 程序入口 //-------------------------------------- function getInput(){ process.stdout.write("\033[35m 請輸入第一頁URL:\033[039m"); //紫色 process.stdin.resume(); process.stdin.setEncoding('utf8'); process.stdin.on('data',function(text){ process.stdin.end();// 退出輸入狀態 crawl(text.trim());// trim()是必須的! }); } // 調用getInput函數,程序開始 getInput();
2017年11月15日20:54:16html