需要安装的依赖:
- requset
使用request向需要爬取的网站发起一个请求,在回调里使用body接收数据
我选取百度图库,作为本次爬取的网站
使用百度搜素二次元萌妹子,然后在地址栏里将URL复制下来
const request = require('request');
const options = {
method: "GET",
url: "https://image.baidu.com/search/index?isource=infinity&iname=baidu&tn=baiduimage&word=%E4%BA%8C%E6%AC%A1%E5%85%83%E8%90%8C%E5%A6%B9",
headers:{
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"
}
}
//先打印一下,看看是否抓取到了数据
requset(options,(err,res,body)=>{
console.log(err);
console.log(res.statusCode);
console.log(body);
})
复制代码
当看到控制台输出一大串信息后(网页源代码),且没有报错,statusCode返回200,说明正确请求到了数据。
接着,我们需要对数据,进行处理(对返回的数据,进行分析,拿到我们想要的数据,这里我们想要得到数据是图片的URL地址)。
处理数据的方式:
- 正则表达式
作为一个程序员,处理字符串,首先想到的当然是正则了
使用正则去匹配data-url
const request = require('request');
const options = {
method: "GET",
url: "https://image.baidu.com/search/index?isource=infinity&iname=baidu&tn=baiduimage&word=%E4%BA%8C%E6%AC%A1%E5%85%83%E8%90%8C%E5%A6%B9",
headers:{
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"
}
}
//先打印一下,看看是否抓取到了数据
request(options,(err,res,body)=>{
const reg = /thumbURL":"https?:\/\/.+?&gp=0.jpg/ig;
const urlArr = body.match(reg);
const msgArr = [];
urlArr.forEach(( val,idx ) => {
const reg = /https?:\/\/.+?&gp=0.jpg/;
msgArr.push(val.match(reg)[0]);
})
console.log(msgArr);
})
复制代码
匹配成功!!! 我们试着点击一下,能否访问
就很棒,抓到的数据,没有问题
接着,我们尝试着将图片下载下来
//想要下载图片,就必须请求图片的地址
//访问到图片的静态资源后,使用管道流保存到文件中
//因为I/O操作是异步的,所以使用Promise将代码改写一下
const request = require('request');
const fs = require('fs');//写入文件,需要导入fs模块
const options = {
method: "GET",
url: "https://image.baidu.com/search/index?isource=infinity&iname=baidu&tn=baiduimage&word=%E4%BA%8C%E6%AC%A1%E5%85%83%E8%90%8C%E5%A6%B9",
headers:{
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"
}
}
new Promise(( res,rej ) => {
request(options,( err,response,body ) => {
const reg = /thumbURL":"https?:\/\/.+?&gp=0.jpg/ig;
const urlArr = body.match(reg);
const msgArr = [];
urlArr.forEach(( val,idx ) => {
const reg = /https?:\/\/.+?&gp=0.jpg/;
msgArr.push(val.match(reg)[0]);
})
res(msgArr);
})
}).then( msgArr => {
msgArr.forEach(( val,idx ) => {
request(val).pipe(fs.createWriteStream("./img/"+idx+".jpg"));
})
})
复制代码
此时打开文件夹,可以看到图片已经下载成功!
使用正则,可以解析使用JS渲染的页面,如果发起请求后,body接收的数据返回的是一个页面结构,则可以使用以下两个npm包:
- jsdom
- cheerio
jsdom可以将数据解析成DOM结构,cheerio则将数据包装成jQuery
以百度搜索为例,如果要抓取搜索结果的标题内容和链接
//
const request = require("request")
const {JSDOM} = require("jsdom")
//const cheerio = require("cheerio")
const word = encodeURI("二次元萌妹")
request({
url : "https://www.baidu.com/s?wd="+word,
headers:{
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"
}
},(err,response,body)=>{
if(err)throw err;
if( response.statusCode >=200 && response.statusCode<300 ){
//JSDOM处理body
let {window} = new JSDOM(body);
let aDOM = window.document.querySelectorAll("h3.t a");
[...aDOM].forEach(ele => {
console.log(ele.text,ele.href);
})
//cheerio处理body
/*let $ = cheerio.load(body);
$("h3.t a").each((i,ele)=>{
console.log($(ele).attr("href"));
console.log($(ele).text());
})*/
}
});
复制代码
得到的结果
可以看到操作十分简便,但是如果数据量大,这种方法性能不佳