经过前面五天的学习，对Node.js开发已经逐渐入门，今天结合之前学到的东西，开发一个小示例【爬取某图片网站的图片】，仅供学习分享使用，如有不足之处，还请指正。
涉及知识点
开发一个小爬虫，涉及的知识点如下所示：
- https模块，主要是用户获取网络资源，如：网页源码，图片资源等。
- cheerio模块，主要用于解析html源码，并可访问，查找html节点内容。
- fs模块，主要用于文件的读写操作，如保存图片，日志等。
- 闭包，主要是对于异步操作，对象的隔离保护。
cheerio简介
什么是cheerio ?
cheerio是为服务器特别定制的，快速、灵活、实施的jQuery核心实现。主要用于在服务端解析html。特点如下所示：
- 易用，语法类似jQuery语法，从jQuery库中去除了所有 DOM不一致性和浏览器尴尬的部分。
- 解析快，比JSDOM快八倍。
- 灵活，Cheerio 封装了兼容的htmlparser。Cheerio 几乎能够解析任何的 HTML 和 XML document。
安装cheerio
首先在命令行，切换到程序目录，然后输入安装命令进行安装，如下所示：
cnpm install cheerio
安装过程，如下所示：
准备工作
在编写爬虫之前，首先需要分析目标内容，本次需要爬取的是某网站，星空类型的图片内容，经过分析，发现所有的图片都是在ul下每一个li中的a标签内的img中，本次只需要解析出img的src属性，即可获取图片的下载路径。如下所示：
核心代码
经过以上分析，通过Node.js编写代码，分为两步，获取所有图片的url路径，即解析所有目标img元素的src属性。然后再下载具体图片进行保存即可。
引用所需要的功能模块，如下所示：
var https = require('https'); var cheerio = require('cheerio'); var fs = require('fs');
获取并解析html页面内容，如下所示：
//爬取的网址 var addrs=['https://www.*****.com/topic/show_27202_1.html','https://www.*****.com/topic/show_27202_2.html','https://www.*****.com/topic/show_27202_3.html']; for(i in addrs){ (function(num){ var logger = fs.createWriteStream('./download/log.txt',{flags:'a+',autoClose:'true'}); var addr = addrs[num]; //创建目录 var p1 = new Promise(function(resolve,reject){ fs.access('./download',function(err){ if(err){ fs.mkdir('./download',function(e){ if(e){ console.log('创建失败'); } }); }else{ resolve("success"); } }); }); p1.then(function(datas){ var html=''; var p2 = new Promise(function(resolve,reject){ https.get(addr,function(res){ res.on('data',function(data){ html+=data.toString(); }) res.on('end',function(){ resolve("success"); }); }); }); p2.then(function(data){ //下载完成后，进行解析 const $ =cheerio.load(html); var lis = $('#img-list-outer').find('li'); for(var j=0;j<lis.length-1;j++){ var li = lis[j]; var src =$(li).find('a').find('img').attr('src'); //console.log(src); //console.log('-------------------------'); var imgurl='https:'+src; download(imgurl); var msg='['+j+']下载成功：'+imgurl; logger.write(msg+'\n'); console.log(msg); } logger.end(); }); }); })(i); }
注意：因为所有爬取的目标共分为3页，所以用到了循环，并且在循环中用到了闭包。
下载并保存单张图片代码，如下所示：
//下载图片 function download(imgurl){ var p1 = new Promise(function(resolve,reject){ https.get(imgurl,function(res){ var imgName=imgurl.substr(imgurl.lastIndexOf('/')+1); var stream = fs.createWriteStream('./download/'+imgName); res.pipe(stream); setTimeout(function(){ resolve('success'); },300); }); }); p1.then(function(data){ return; }); }
示例截图
开发完成后，运行代码，如下所示：
爬取的图片，保存在文件夹中，如下所示：
注意：添加日志，是为了方便记录程序执行过程，对比图片和日志，便于发现问题。
备注
学而时习之，不亦说乎？有朋自远方来，不亦乐乎？人不知而不愠，不亦君子乎？
