利用Nodejs & Cheerio & Request抓取Lofter美女图片

还是参考了这篇文章：

http://cnodejs.org/topic/54bdaac4514ea9146862abee

另外有上面文章 nodejs抓取网易公开课的一些经验。

代码如下，注意其中用到了 http获取网页结果，request进行http请求，cheerio进行解析，mkdirp创建目录，fs创建文件，iconv-lite进行格式转换（此例非必须）。

curl.js：

/**
 * Created by baidu on 16/10/17.
 */
var http = require("http");

function download(url, callback) {
    var chunks = [];
    http.get(url, function(res) {
        res.on('data', function(chunk) {
            chunks.push(chunk);
        });
        res.on('end', function () {
            callback(chunks);
        });
    }).on('error', function () {
        callback(chunks);
    })
}

exports.download = download;

saveimage.js

/**
 * Created by baidu on 16/10/17.
 */

var fs = require('fs');
var request = require('request');

var saveImage = function(url, filename) {
    console.log('Image=>' + url);
    request(url).pipe(fs.createWriteStream(filename));
    console.log('Save=>' + filename);
}

exports.saveImage = saveImage;

HelloWorld.js

/**
 * Created by baidu on 16/10/17.
 */

console.log("Hello World");

var cheerio = require('cheerio');
var curl = require('./curl');
var iconv = require('iconv-lite');
var mkdirp = require('mkdirp');
var saveimage = require('./saveimage');

//var url = 'http://open.163.com/special/opencourse/englishs1.html';
var url = 'http://loftermeirenzhi.lofter.com/tag/%E4%BA%BA%E5%83%8F?page=';

var dir = './images';

mkdirp(dir, function(err) {
    if (err) {
        console.log(err);
    }
});

curl.download(url, function (chunks) {
    if (chunks) {
        var data = iconv.decode(Buffer.concat(chunks), 'gbk');
        var $ = cheerio.load(data);
        $('a.img').each(function (i, e) {
            var item = $(e).children('img').last().attr('src');
            saveimage.saveImage(item, dir + '/' + item.substr(item.indexOf('.jpg')-10, 14));
        });
        console.log('done');
    }
    else {
        console.log('error');
    }
});

运行之后，发现基本上下载的图片文件都是空。

 

看了例子，将saveimage.js中的request部分做了一些修改，如下：

/**
 * Created by baidu on 16/10/17.
 */

var fs = require('fs');
var request = require('request');

var saveImage = function(url, filename) {
    console.log('Image=>' + url);
    request.head(url, function(err, res, body) {
        request(url).pipe(fs.createWriteStream(filename));
    });
    console.log('Save=>' + filename);
}

exports.saveImage = saveImage;

然后运行，成功，打印：

/usr/local/bin/node /Users/baidu/Documents/Data/Work/Code/Self/nodejs/helloworld/HelloWorld.js
Hello World
Image=>http://imgsize.ph.126.net/?imgurl=http://img2.ph.126.net/CiL5IULFm0TtZBjxnhcfQQ==/52072870709354180.jpg_110x110x0x90.jpg
Save=>./images/0709354180.jpg
Image=>http://imglf1.nosdn.127.net/img/SzZqcDg4Rk01VGo5cW81TEorTU5zL2dCbjBLbktBODlCSkFGSXlIdEw5dEFvSDlGaTNjZmJ3PT0.jpg?imageView&thumbnail=500x0&quality=96&stripmeta=0&type=jpg
Save=>./images/TNjZmJ3PT0.jpg
......
done

然后项目目录中，生成了images目录，其中有美女图片：

 

对上面这个改动能起到效果，还不是特别明白。(head一般用来判断url是否有效。)

加了head成功，也有可能是因为第一次图片虽然没下载成功，但是已经启动下载，做了缓存。实验了一下，在成功一次之后，把head命令去掉：

//request.head(url, function(err, res, body) {
        request(url).pipe(fs.createWriteStream(filename));
//});

发现还是能够成功。所以有很大可能是图片加载延迟造成。

有时间的时候，要看一下，怎样避免图片下载超时导致下载失败的问题，有没有设置超时的地方。

好像在request初始化的时候，可以设置：

request({
    url: jurl,
    gzip: true,
    timeout: xxx
  })

后面再学习 Javascript Request 以及 渲染的一些内容。尤其是 phantomjs 渲染动态网页的方式。