Node.js mm131圖片批量下載爬蟲1.01 增長斷點續傳功能

時間 2019-12-02

標籤 node.js node mm131 圖片批量下載爬蟲 1.01 增長斷點功能欄目 Node.js 简体版

原文原文鏈接

這裏的斷點續傳不是文件下載時的斷點續傳，而是指在爬行頁面時有時會遇到各類網絡中斷而從中斷前的頁面及其數據繼續爬行的過程，這個過程和斷點續傳原理上類似故以此命名。個人具體作法是：在下載出現故障或是圖片已經所有得到時，將存儲目錄，當前爬行頁面和已經獲取的圖片地址以json形式存儲到數據文件中，而用戶選擇斷點續傳模式時提取數據文件中的這三條信息，繼而從上次中斷之處從新運行。html

數據文件示例：json

{"url":"http://m.03122.com/gaoqing/9353/27.html","pictures":["http://img.cdjqjy.com/pic/gqimg/94/b36ab1a61b3c19d84386ed69ffcdad16.jpg","http://img.cdjqjy.com/pic/gqimg/94/fd4b2a40df592105725d7374f101d86c.jpg","http://img.cdjqjy.com/pic/gqimg/94/cd742a03afa54603d39b2a0d67190cfb.jpg","http://img.cdjqjy.com/pic/gqimg/94/69493144d80120ce1631d98b77ab667a.jpg"],"folder":"pictures(2017-11-18 15_5_31)"}

Node.js 代碼以下：數組

//======================================================
// mm131圖片批量下載爬蟲1.01
// 1.00 具有功能
// 1.01 增長斷點續傳
// 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=[];

// 存放圖片的目錄
var folder="";

//--------------------------------------
// 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
            //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");
                saveFile(pageUrl,pictures);// 保存
                download(pictures);
            }else{
                //console.log("下一頁是"+nextPageUrl);
                crawl(nextPageUrl);
            }
            
        }).on("error", function() {
            saveFile(pageUrl,pictures);// 保存
            console.log("crawl函數失敗,請進入斷點續傳模式繼續進行");
        })
    });

    // 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);  
        saveFile(pageUrl,pictures);// 保存
        console.log("crawl函數失敗,請進入斷點續傳模式繼續進行");
    });

    // 請求結束
    req.end();
}

//--------------------------------------
// 下載圖片
//--------------------------------------
function download(pictures){

    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.stdin.resume();    
    process.stdout.write("\033[33m 新建模式輸入第一頁URL，斷點續傳模式輸入0，請輸入: \033[39m");// 草黃色
    process.stdin.setEncoding('utf8');
    
    process.stdin.on('data',function(text){
        var input=text.trim();
        process.stdin.end();// 退出輸入狀態    

        if(text.trim()=='0'){
            process.stdout.write("\033[36m 進入斷點續傳模式. \033[39m");    // 藍綠色

            // Read File
            fs.readFile('./save.dat','utf8',function(err,data){
                if(err){
                    console.log('讀取文件save.dat失敗,由於'+err);
                }else{
                    //console.log(data);
                    var obj=JSON.parse(data);

                    pictures=obj.pictures;
                    console.log('提取圖片'+pictures.length+'張');

                    folder=obj.folder;

                    // 建立目錄
                    fs.mkdir('./'+folder,function(err){
                        if(err){
                            console.log("目錄"+folder+"已經存在");
                        }
                    });

                    crawl(obj.url);        
                }
            });
            
            // Resume crawl
        }else{
            process.stdout.write("\033[35m 進入新建模式. \033[039m");    //紫色

            folder='pictures('+getNowFormatDate()+")";
            // 建立目錄
            fs.mkdir('./'+folder,function(err){
                if(err){
                    console.log("目錄"+folder+"已經存在");
                }
            });

            crawl(input);            
        }
    });    
}

//--------------------------------------
// 將爬行中信息存入數據文件
//--------------------------------------
function saveFile(url,pictures){
    var obj=new Object;
    obj.url=url;
    obj.pictures=pictures;
    obj.folder=folder;
    var text=JSON.stringify(obj);

    fs.writeFile('./save.dat',text,function(err){
        if(err){
            console.log('寫入文件save.dat失敗,由於'+err);
        }
    });
}

// 調用getInput函數，程序開始
getInput();