如何使用Node進(jìn)行爬取？下面本篇文章帶大家聊聊使用Node.js開發(fā)一個簡單圖片爬取功能，希望對大家有所幫助！

爬蟲的主要目的是收集互聯(lián)網(wǎng)上公開的一些特定數(shù)據(jù)。利用這些數(shù)據(jù)我們可以能進(jìn)行分析一些趨勢對比，或者訓(xùn)練模型做深度學(xué)習(xí)等等。本期我們就將介紹一個專門用于網(wǎng)絡(luò)抓取的 node.js 包—— node-crawler ，并且我們將用它完成一個簡單的爬蟲案例來爬取網(wǎng)頁上圖片并下載到本地。

正文

node-crawler 是一個輕量級的 node.js 爬蟲工具，兼顧了高效與便利性，支持分布式爬蟲系統(tǒng)，支持硬編碼，支持http前級代理。而且，它完全是由 nodejs 寫成，天生支持非阻塞異步IO，為爬蟲的流水線作業(yè)機(jī)制提供了極大便利。同時支持對 DOM 的快速選擇（可以使用 jQuery 語法），對于抓取網(wǎng)頁的特定部分的任務(wù)可以說是殺手級功能，無需再手寫正則表達(dá)式，提高爬蟲開發(fā)效率。

安裝引入

我們先新建一個項(xiàng)目，在里面創(chuàng)建index.js作為入口文件。

然后進(jìn)行爬蟲庫 node-crawler 的安裝。

# PNPM pnpm add crawler # NPM npm i -S crawler # Yarn  yarn add crawler

然后用過 require 引入進(jìn)去。

// index.js const Crawler = require("crawler");

創(chuàng)建實(shí)例

// index.js let crawler = new Crawler({     timeout:10000,     jQuery:true, }) function getImages(uri) {     crawler.queue({         uri,         callback: (err, res, done) => {             if (err) throw err;         }     }) }

從現(xiàn)在我們將開始寫一個拿到html頁面的圖片的方法，crawler 實(shí)例化后，在其隊(duì)列中主要是為了寫入鏈接和回調(diào)方法。在每個請求處理完畢后將調(diào)這個回調(diào)函數(shù)。

這里還要說明一下， Crawler 使用了 request 庫，所以 Crawler 可供配置的參數(shù)列表是 request 庫的參數(shù)的超集，即 request 庫中所有的配置在 Crawler 中均適用。

元素捕獲

剛才或許你也看到了 jQuery 這個參數(shù)，你猜的沒錯，它可以使用 jQuery 的語法去捕獲 DOM 元素的。

// index.js let data = [] function getImages(uri) {     crawler.queue({         uri,         callback: (err, res, done) => {             if (err) throw err;             let $ = res.$;             try {                 let $imgs = $("img");                 Object.keys($imgs).forEach(index => {                     let img = $imgs[index];                     const { type, name, attribs = {} } = img;                     let src = attribs.src || "";                     if (type === "tag" && src && !data.includes(src)) {                         let fileSrc = src.startsWith('http') ? src : `https:${src}`                         let fileName = src.split("/")[src.split("/").length-1]                         downloadFile(fileSrc, fileName) // 下載圖片的方法                         data.push(src)                     }                 });             } catch (e) {                 console.error(e);                 done()             }             done();         }     }) }

可以看到剛才通過 $ 來完成對請求中 img 標(biāo)簽的捕獲。然后我們下面的邏輯去處理補(bǔ)全圖片的鏈接和剝離出名字為了后面可以保存取名用。這里還定義了一個數(shù)組，它的目的是保存已經(jīng)捕獲到的圖片地址，如果下次捕獲發(fā)現(xiàn)同一個圖片地址，那么就不再重復(fù)處理下載了。

以下是掘金首頁html用 $("img") 捕獲到的信息打印：

下載圖片

下載之前我們還要安裝一個 nodejs 包—— axios ，是的你沒看錯，axios 不僅提供給前端，它也可以給后端去使用。但是因?yàn)橄螺d圖片要把它處理成數(shù)據(jù)流，所以把 responseType 設(shè)置成 stream 。然后才可以用 pipe 方法保存數(shù)據(jù)流文件。

const { default: axios } = require("axios"); const fs = require('fs');  async function downloadFile(uri, name) {     let dir = "./imgs"     if (!fs.existsSync(dir)) {         await fs.mkdirSync(dir)     }     let filePath = `${dir}/${name}`     let res = await axios({         url: uri,         responseType: 'stream'     })     let ws = fs.createWriteStream(filePath)     res.data.pipe(ws)     res.data.on("close",()=>{         ws.close();     }) }

因?yàn)榭赡軋D片很多，所以要統(tǒng)一放在一個文件夾下，就要判斷有沒有這個文件夾如果沒有就創(chuàng)建一個。然后通過 createWriteStream 方法來把獲取到的數(shù)據(jù)流以文件的形式保存到文件夾里面。

然后我們可以嘗試一下，比如我們捕獲用一下掘金首頁html下的圖片：

// index.js getImages("https://juejin.cn/")

執(zhí)行后發(fā)現(xiàn)就可以發(fā)現(xiàn)已經(jīng)捕獲到靜態(tài)html里面的所有圖片了。

node index.js

結(jié)語

到了最后，你也可以看到，此代碼可能不適用于SPA（單頁面應(yīng)用）。由于單頁應(yīng)用程序中只有一個 HTML 文件，并且網(wǎng)頁上的所有內(nèi)容都是動態(tài)呈現(xiàn)的，但是萬變不離其宗，不管怎樣，你可以直接處理其數(shù)據(jù)請求，來收集到想要的信息也未嘗不可。

還有一點(diǎn)要說的是，很多小伙伴處理下載圖片的請求用到了 request.js ，當(dāng)然這樣可以的，甚至代碼量更少，但是，我想說的是這個庫在2020年的時候就已經(jīng)被棄用了，最好換一個一直在更新維護(hù)的庫比較好。