前言
之前初学node的时候，有用爬虫爬过一些磁力链接
详情见羞羞的node爬虫
但是没有并发，没有代理，那时也对异步不是很了解
所以这次又写了个爬虫，爬取bilibili壁纸站的所有壁纸
并且爬取开心代理的100条ip，并将有用的ip存进json文件中
用到的模块
- async （控制并发）
- cheerio （解析DOM）
- superagent （http库）
- superagent-proxy （使用代理）
- fs （读写文件）
其中cheerio, superagent的具体用法见我之前的 羞羞的node爬虫
不过之前初学，代码写得很难看就对了
爬取代理ip
代理ip是干嘛的
我们访问互联网资源时，都是用我们自己的ip（身份证）去访问的
而爬虫得频繁地去获取互联网资源
因此如果你在某个时间点频繁地访问某网站的某资源
造成该网站的服务器压力
就有可能被网站管理者禁ip， 从而访问不了该网站
代理ip就是伪造身份去访问
怎么检验ip的可用性
这里面就使用到了 superagent 的一个拓展 superagent-proxy
然后用其去访问http://ip.chinaz.com/getip.aspx
若 3s 内能返回值，则证明该 ip 可用
const superagent = require('superagent')
require('superagent-proxy')(superagent);
// 写上你先要测试的 ip，下面仅为测试ip
let testIp = 'http://61.178.238.122:63000';
(async function() {
superagent.get('http://ip.chinaz.com/getip.aspx').proxy(testIp).timeout(3000)
.end((err, res) => {
if(res === undefined) {
console.log('挂了');
return
}
if(err) {
console.log('报错啦')
}
console.log('成功： ' + res.text)
})
}())
爬取ip并存储
首先我们先看下我们要爬取的开心代理的DOM
我们要爬取得ip地址放在tr 标签的第一个td上
并且点击第二页时，链接变为http://www.kxdaili.com/dailiip/1/2.html#ip
链接上的数组表示得是页数，也就是说我们只要改变链接上数字的值
就可以获取到其他页的html
代码如下：
const superagent = require('superagent')
const cheerio = require('cheerio')
const fs = require('fs')
const apiFunc = require('../common/apiFunc') // 封装的一些读写api
// 爬取开心代理的 ip
const website = 'http://www.kxdaili.com'
let url = website + '/dailiip/1/'
// 总执行函数
let getIp = async function() {
// promise 存放的数组
let tasks = []
// 读取 ip.js 本身存储的ip
let ips = await apiFunc.readFile('./ip.js')
ips = JSON.parse(ips)
for(let page = 1; page <= 10; page++) {
let res = await superagent.get(url + page +'.html')
let $ = cheerio.load(res.text)
let tr = $('tbody>tr')
for(let i = 0; i < tr.length; i++) {
let td = $(tr[i]).children('td')
let proxy = 'http://' + $(td[0]).text() + ':' + $(td[1]).text()
let pro = apiFunc.filterIp(proxy)
// 将所有的IP过滤Promise存入一个tasks数组中
tasks.push(pro)
}
}
// 使用 all 等待所有ip过滤完毕后执行 写入 ip.js过程
Promise.all(tasks).then((arr) => {
// 过滤掉返回值为 undefined 的数据
let usefulIp = arr.filter((item) => {
return (item !== undefined)
})
ips = JSON.stringify(ips.concat(usefulIp))
console.log(ips)
apiFunc.writeFile('./ip.js', ips)
})
}
getIp()
module.exports = getIp
爬取bilibili壁纸站
我们先进入bilibili壁纸站
发现有一个点击加载更多的按钮
如果有对前端有了解的话，我们应该知道这是通过 ajax 请求来异步获取数据
因此我们打开开发者的NetWork
果然在 XHR 这一栏发现了一个api
里面返回的是存储了当前页面所有壁纸缩略图信息的json文件
仅依靠这个json文件，我们便可以爬取所有壁纸的缩略图
可我们要的可是高清大图啊
于是我们随意点击一张缩略图
发现它的url的参数（il_id, width, height）都来自我们之前获取的json内的数据
也就是说我们可以拼接该链接来获取到该高清图片的链接，再利用
cheerio来解析DOM获取图片地址就ok了！！！
！！！
！！！
然而，哈哈哈哈哈哈哈哈哈哈哈哈
当我们获取到该网页的html后，发现该
<img>标签内的src是空的也就是说该
<img>也是js赋值，所以下意识又去看了NetWork的XHR果然发现了另一个api
而高清图片的url就是该api返回的json数据中的il_file
因此我们只需要拼接该api链接，再用superagent请求就可以获取到高清图片的url
理下思路
- 获取缩略图api返回的包含高清图片数据的json
- 将1的json数据拼接到高清图片api链接上，并将所有api链接存入数组
- 并发获取2数组中的api， 获取所有的图片url，并将url存入数组
- 并发下载数组中的图片url， 存进本地文件夹
结果在爬取bilibili壁纸站时，是不需要解析DOM的，也就是不需要使用cheerio模块啦
代码如下：
const superagent = require('superagent')
require('superagent-proxy')(superagent);
const fs = require('fs')
const cheerio = require('cheerio')
const async = require('async')
// 获取bilibili API的json数据
let jsonUrl = 'http://h.bilibili.com/wallpaperApi?action=getOptions&page=1'
let proxy = "http://218.201.98.196:3128"
let getPicJson = function () {
return new Promise((resolve, reject) => {
superagent
.get(jsonUrl)
.proxy(proxy)
.end((err, res) => {
if (err) console.log('代理出错啦')
if (res === undefined) return
if (res.statusCode == 200) {
let json = JSON.parse(res.text)
resolve(json)
}
})
})
}
// 获取高清图片api的json数据
let dealHd = async function () {
let picHd = []
let picJson = await getPicJson()
let picLength = picJson.length
for (let i = 1; i < picLength; i++) {
let item = {}
// let width = picJson[i].detail[0].width
// let height = picJson[i].detail[0].height
let il_id = picJson[i].detail[0].il_id
item.title = picJson[i].detail[0].title
item.url = `http://h.bilibili.com/wallpaperApi?action=getDetail&il_id=${il_id}`
picHd.push(item)
// item.url = `http://h.bilibili.com/wallpaper?action=detail&il_id=${il_id}&type=Bilibili&width=${width}&height=${height}`
// picHtmlJson.push(item)
}
return picHd
}
// 获取高清图片的url ===== queue
let dealPicJson = async function () {
console.log('获取高清图片url，开始执行....')
var concurrencyCount = 0;
let result = []
let hdJson = await dealHd()
return new Promise((resolve, reject) => {
let q = async.queue((hDJson, callback) => {
var delay = parseInt((Math.random() * 30000000) % 1000, 10); //设置延时并发爬取
concurrencyCount++;
console.log('现在的并发数是', concurrencyCount, '，正在获取的是', hDJson.title, '延迟', delay, '毫秒');
superagent.get(hDJson.url).proxy(proxy).end((err, res) => {
if (err) {
console.log(err);
callback(null);
} else {
// let $ = cheerio.load(res.text)
// let hdUrl = $('#wallpaper').attr('id')
// console.log('链接是' + hdUrl)
let pic = {}
pic.title = hDJson.title
pic.url = res.body[0].detail[0].il_file
pic.format = pic.url.match(/.{3}$/)[0]
// console.log(result)
result.push(pic)
concurrencyCount --
callback(null)
}
})
}, 5)
q.drain = function () {
resolve(result)
}
q.push(hdJson)
})
}
// 下载HD图片
let downloadImg = async function () {
console.log('开始下载图片...');
// let folder = `Data/img-${Config.currentImgType}-${Config.startPage}-${Config.endPage}`;
// fs.mkdirSync(folder);
let downloadCount = 0;
var concurrencyCount = 0;
let q = async.queue(function (image, callback) {
// console.log('正在下载 : ' + image.title);
var delay = parseInt((Math.random() * 30000000) % 1000, 10); //设置延时并发爬取
concurrencyCount++;
console.log('现在的并发数是', concurrencyCount, '，正在抓取的是', image.title, '延迟', delay, '毫秒');
superagent.get(image.url).proxy(proxy).end(function (err, res) {
if (err) {
console.log(err);
callback(null);
} else {
downloadCount++;
fs.writeFile(`./picture/${downloadCount}-${image.title}.${image.format}`, res.body, function (err) {
if (err) {
console.log(err);
} else {
console.log("图片下载成功");
}
setTimeout(() => {
concurrencyCount--;
callback(null);
}, delay)
});
}
});
}, 5);
// 当所有任务都执行完以后，将调用该函数
q.drain = function () {
console.log('All img download');
}
let imgList = await dealPicJson();
q.push(imgList);//将所有任务加入队列
}
downloadImg()
async控制并发
控制并发我通常是用async.maplimit，因为最早接触
不过看到一篇文章介绍了async.queue，我就试了下
区别在于， mapLimit会返回所有并发任务结束后的结果数组
而queue是没有的，因此要自己定个变量来存放每一个并发任务返回的结果
具体api用法见： async常用api
运行结果
后记
github代码： bilibili壁纸站爬虫
里面有一些必要注释
有4个可以跑的js
- ./aboutIp/getIp.js （用来抓并存有用的代理ip）
- ./aboutIp/ipTest.js （测试ip可不可用）
- app-thumbnails.js （用来爬壁纸的缩略图）
- app-hd.js （用来爬壁纸的高清图）
虽然懂得很浅，但能渐渐感受到爬虫的魅力了😁
