「滴滴滴,老司機開車了」Nodejs 爬取煎蛋網妹子圖

「流氓不可怕,就怕流氓有文化」

前天剛考完編譯,今天考完網絡,就開始搗鼓代碼了,花了一天時間摸索了一下nodejs的爬蟲,也就是tcphttp鏈接。javascript

也是就作了一個爬取煎蛋網妹子圖的爬蟲,並保持至本地。php

思路介紹

  1. 經過http請求報文模擬一次訪問煎蛋網的操做html

  2. 獲取到了網頁的HTML代碼後,進行正則表達式匹配,獲得圖片地址java

  3. 經過圖片地址,再次發送http請求報文,將圖片數據保存至本地node

思路簡單瞭解後,便開始工做了。git

然而並非一路順風

得不到HTML

參考資料http://chenxi.name/60.html,利用request包進行傻瓜式調用,然而並不能生效,將會跳轉至一個屏蔽提示網頁github

png

煎蛋網爲了防止惡意爬取數據,進行了必定程度的防爬措施。但這可難不倒我,爲何在瀏覽器上就能正常瀏覽圖片頁面呢?web

因而我打開瀏覽器控制檯,複製頁面請求報文的cmd格式,粘貼至命令行中運行,可以正確獲得HTML正則表達式

png
png

因此,我以爲問題就是出如今請求報文頭部數據,因而複製下瀏覽器中報頭,利用nodejshttp包,創建http鏈接。api

require('http').get({
        hostname:'jandan.net',
        path:'/',
        header:{
            ...
        }
    },function(res){
        
    })

可是奇怪的是!仍是響應302,跳轉至屏蔽提示頁面。

最後沒辦法的我只好利用底層一點的api——net包,創建tcp鏈接,發送符合http請求報文格式的數據。

var net = require('net');
var header = require('fs').readFileSync('./header.txt').toString();

module.exports = function (path,callback) {
    const socket = net.createConnection(80,'jandan.net');

    socket.write(
        'GET '+path+' HTTP/1.1\r\n'+
        header
    );

    socket.setEncoding('utf-8');
    socket.setTimeout(4000,function () {
        callback(html);
        console.error(new Error('Time OUT'));
        socket.end();
    });

    var html = '';
    socket.on('data',function (chunk) {
        html+=chunk;
    });

    socket.on('end',function () {
        console.log('disconnected from server');
    });
}

header.txt

Host: jandan.net
Connection: keep-alive
Cache-Control: max-age=0
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36
Referer: http://jandan.net/v
Accept-Language: zh-CN,zh;q=0.8
Cookie: gif-click-load=on; bad-click-load=on; PHPSESSID=u1gnmqnpb75injakbgvkb6r413; 4036050675=c119Yp%2BLrMWuv%2BWMyYtq3x6vTdbFzaTbUyoiLt%2Fv; jdna=596e6fb28c1bb47f949e65e1ae03f7f5#1467288596467; Hm_lvt_fd93b7fb546adcfbcf80c4fc2b54da2c=1467287791; Hm_lpvt_fd93b7fb546adcfbcf80c4fc2b54da2c=1467288598; _ga=GA1.2.330681373.1467287790

注意,header.txt最後須要兩個\r\n表示請求報頭結束。最後果真是成功了,但具體兩種方法的不一樣我也說不上來,但願有熱心讀者能告訴我。

數據傳輸同步異步?

利用下面的遞歸方法加上Promise.all同步方法,防止過分的tcp鏈接(改用下面方法後,tcp讀寫錯誤明顯減小,但仍是會出現,不知道有沒有大神幫我解決該問題呢?)

function run(i,low) {
    if(i<low) return;
    spider('/ooxx/page-'+i,function (html) {
        var images = [];
        html.replace(/<img.+?src="(http.+?sina.+?)"/g,function (m,c) {
            images.unshift(c);
        });
        var page = i;
        var proms = images.map((x,i,a)=>{
            return new Promise((resolve,reject)=>{
                var req = http.get(x,function (res) {
                    res.on('error',function (err) {
                        console.error(err);
                        resolve('fail');
                    });
                    var filename = x.substr(x.lastIndexOf('/')+1);
                    download(dir+'/'+filename,res);
                    console.log('PAGE:'+page+'...'+filename+'...'+(i+1)+'/'+a.length);
                    resolve('done');
                }).end();
            });
        });
        Promise.all(proms)
            .then((values)=>{
                //上一頁的圖片加入下載隊列後,再開始遞歸下一頁。
                run(i-1,low);
            });
    });
}

最後文件夾就像下面同樣!

png

甩下代碼地址,飆個車

jandan-spider

關注個人博客moyuyc.github.io ,有技術的老司機帶你飆車!

png
png
png
png
png
png

相關文章
相關標籤/搜索