Node.js meitulu图片批量下载爬虫1.06版

//======================================================// https://www.meitulu.com图片批量下载Node.js爬虫1.06// 1.00 完成图片爬虫,手动输入页数和目录// 1.01 改写。// 1.02 手动输入页面url，然后自动解析// 1.03 从命令行获得页面url，然后自动解析// 1.04 解决数量节点位置不固定bug和输入状态不退出bug// 1.05 增加自动模式和手动模式// 1.06 更改为按名字搜索页批量下载// 2017年11月9日//======================================================// 内置https模块，用来解析页面得到页数（图片总数）和目录（图片所在网络目录）var https=require("https");// 内置http模块，用来通过地址得到图片文件var http=require("http");// 用于解析gzip网页（ungzip，https得到的网页是用gzip进行压缩的）var zlib = require(‘zlib‘); // cheerio模块，提供了类似jQuery的功能，用于从HTML code中查找页数和目录var cheerio = require("cheerio");// 内置文件处理模块，用于创建目录和图片文件var fs=require(‘fs‘);// 请求参数JSON，http和https都有使用var options;// request请求var req;//--------------------------------------// 程序入口 //--------------------------------------function getInput(){ ???????????process.stdout.write("\033[35m 请输入按名称搜索的页面URL:\033[039m"); ???//紫色 ???process.stdin.resume(); ???process.stdin.setEncoding(‘utf8‘); ???????process.stdin.on(‘data‘,function(text){ ???????process.stdin.end();// 退出输入状态 ???????????????findPageUrls(text.trim());// trim()是必须的！ ???????????}); ???}//--------------------------------------// 在按名称搜索的页面找到单页url// batchPageUrl sample1：https://www.meitulu.com/t/mikie-hara/// batchPageUrl sample2：https://www.meitulu.com/search/%E5%8E%9F%E5%B9%B2// sample2类似的地址可能要尝试多次//--------------------------------------function findPageUrls(batchPageUrl){ ???console.log("开始查找单页urls"); ???????var hostName=""; ???var Path=""; ???var arr=batchPageUrl.split("/"); ???hostName=arr[2]; ???console.log("hostName="+hostName); ???// 以是否以‘/’结尾区分两种情况 ???if(batchPageUrl.charAt(batchPageUrl.length-1)==‘/‘){ ???????// 带斜杠的是点名字出来的已设定地址 ???????Path="/"+arr[3]+"/"+arr[4]+"/"; ???}else{ ???????// 不带斜杠的是按关键字搜索出来的 ???????Path="/"+arr[3]+"/"+arr[4]; ???} ???console.log("Path="+Path); ???// 初始化options ?????options={ ???????hostname:hostName, ???????????port:443, ???????????path:Path,// 子路径 ?????????method:‘GET‘, ??????????agent:false, ???????????gzip: true, ???????????????}; ???????req=https.request(options,function(resp){ ???????var html = []; ???????resp.on("data", function(data) { ???????????html.push(data); ???????}) ???????resp.on("end", function() { ???????????var buffer = Buffer.concat(html); ???????????zlib.gunzip(buffer, function(err, decoded) { ???????????????var endIndex=-1; ???????????????var folder=""; ???????????????if(err){ ???????????????????console.log("[findPageUrls]不能得到页面:"+batchPageUrl+"对应的html文本，错误是:"+err); ???????????????????console.log(err); ???????????????}else{ ???????????????????//console.log(decoded.toString());// gzip解压后的html文本 ???????????????????var body=decoded.toString(); ???????????????????????????????????????var $ = cheerio.load(body); ???????????????????????????????????????// 查找所有class为boxs的节点下面的ul li a节点 ???????????????????$(".boxs ul li a").each(function(index,element){ ???????????????????????var text=$(element).attr("href"); ???????????????????????// 有https://www.meitulu.com/item的地址的链接是目标 ???????????????????????if(text.indexOf(‘https://www.meitulu.com/item‘)!=-1){ ???????????????????????????console.log("pageUrl="+text); ???????????????????????????start(text); ???????????????????????} ???????????????????}) ??????????????????????????????????????????????????????????????????} ???????????????}) ???????}).on("error", function() { ???????????console.log("获取失败") ???????}) ???}); ???// 超时处理 ???req.setTimeout(5000,function(){ ???????req.abort(); ???}); ???// 出错处理 ???req.on(‘error‘,function(err){ ???????if(err.code=="ECONNRESET"){ ???????????console.log(‘socket端口连接超时。‘); ???????}else{ ???????????console.log(‘请求发生错误，err.code:‘+err.code); ???????} ???}); ???// 请求结束 ???req.end();}//--------------------------------------// 开始单页下载 //--------------------------------------function start(pageUrl){ ???console.log("开始下载..."); ???var hostName=""; ???var Path=""; ???var arr=pageUrl.split("/"); ???hostName=arr[2]; ???Path="/"+arr[3]+"/"+arr[4]; ???// 初始化options ?????options={ ???????hostname:hostName, ???????????port:443, ???????????path:Path,// 子路径 ?????????method:‘GET‘, ??????????agent:false, ???????????gzip: true, ???}; ???????req=https.request(options,function(resp){ ???????var html = []; ???????resp.on("data", function(data) { ???????????html.push(data); ???????}) ???????resp.on("end", function() { ???????????var buffer = Buffer.concat(html); ???????????zlib.gunzip(buffer, function(err, decoded) { ???????????????var endIndex=-1; ???????????????var folder=""; ???????????????if(err){ ???????????????????console.log("不能得到html文本，因为"+err); ???????????????????console.log("请使用 1.05版本里的 1.手动模式 下载 "+pageUrl); ???????????????}else{ ???????????????????//console.log(decoded.toString());// gzip解压后的html文本 ???????????????????var body=decoded.toString(); ???????????????????var $ = cheerio.load(body); ???????????????????????????????????????// 查找所有class为c_l的节点下面的p节点 ???????????????????$(".c_l p").each(function(index,element){ ???????????????????????var text=$(element).text(); ???????????????????????if(text.indexOf("数量")!=-1 && endIndex==-1){ ???????????????????????????var arr=text.split(" "); ???????????????????????????endIndex=arr[1]; ???????????????????????} ???????????????????}) ??????????????????????// 查找所有class为c_l的节点下面的p节点 ???????????????????$(".content center img").each(function(index,element){ ???????????????????????if(index==0){ ???????????????????????????var text=$(element).attr("src"); ???????????????????????????????????????????????????????var arr=text.split("/"); ???????????????????????????folder=arr[arr.length-2]; ???????????????????????????????????????????????} ???????????????????}) ????????????????????????????????????????console.log("页数="+endIndex); ???????????????????console.log("目录="+folder); ???????????????????????fs.mkdir(‘./‘+folder,function(err){ ???????????????????????if(err){ ???????????????????????????console.log("目录"+folder+"已经存在"); ???????????????????????} ???????????????????}); ???????????????????????????????????????????????????} ???????????????????????????????????// 下载图片 ???????????????for(var i=1;i<=endIndex;i++){ ???????????????????downloadPic(folder,i); ???????????????} ???????????}) ???????}).on("error", function() { ???????????console.log("获取失败") ???????}) ???}); ???// 超时处理 ???req.setTimeout(5000,function(){ ???????req.abort(); ???}); ???// 出错处理 ???req.on(‘error‘,function(err){ ???????if(err.code=="ECONNRESET"){ ???????????console.log(‘socket端口连接超时。‘); ???????}else{ ???????????console.log(‘请求发生错误，err.code:‘+err.code); ???????} ???}); ???// 请求结束 ???req.end();}//--------------------------------------// 下载图片// folder:图片所在url的目录// pinctureIndex:图片序号//--------------------------------------function downloadPic(folder,pinctureIndex){ ???console.log("图片:"+pinctureIndex+"下载开始"); ???// 初始化options ???options={ ???????hostname:‘mtl.ttsqgs.com‘,// 这里别加http://，否则会出现ENOTFOUND错误 ???????????port:80, ???????????path:‘/images/img/‘+folder+‘/‘+pinctureIndex+‘.jpg‘,// 子路径 ?????????method:‘GET‘, ???}; ???req=http.request(options,function(resp){ ???????var imgData = ""; ???????resp.setEncoding("binary"); ????????resp.on(‘data‘,function(chunk){ ???????????imgData+=chunk; ???????????????????}); ???????resp.on(‘end‘,function(){ ???????????var fileName="./"+folder+"/"+pinctureIndex+".jpg"; ???????????fs.writeFile(fileName, imgData, "binary", function(err){ ???????????????if(err){ ???????????????????console.log("文件"+fileName+"下载失败."); ???????????????} ???????????????console.log("文件"+fileName+"下载成功"); ???????????}); ???????????}); ???}); ???// 超时处理 ???req.setTimeout(5000,function(){ ???????req.abort(); ???}); ???// 出错处理 ???req.on(‘error‘,function(err){ ???????if(err.code=="ECONNRESET"){ ???????????console.log(‘socket端口连接超时。‘); ???????}else{ ???????????console.log(‘请求发生错误，err.code:‘+err.code); ???????} ???}); ???// 请求结束 ???req.end();}// 调用getInput函数，程序开始getInput();