【问题标题】:node.js web crawler images/videonode.js 网络爬虫图片/视频
【发布时间】:2016-09-03 20:11:22
【问题描述】:

最近我一直在使用网络爬虫,我已经想出了如何搜索文本,但是有什么方法可以让我的网络爬虫搜索其他内容,例如视频和图像,然后下载并组织它们。

到目前为止,这是我的网络爬虫:

var request = require('request');
var cheerio = require('cheerio');
var URL = require('url-parse');
var fs = require('fs');

var START_URL = "https://www.google.com";
var SEARCH_WORD = "apples";
var MAX_PAGES_TO_VISIT = 200;

var pagesVisited = {};
var numPagesVisited = 0;
var pagesToVisit = [];
var url = new URL(START_URL);
var baseUrl = url.protocol + "//" + url.hostname;

pagesToVisit.push(START_URL);
 crawl();

 function crawl() {
  if(numPagesVisited >= MAX_PAGES_TO_VISIT) {
    console.log("Reached max limit of number of pages to visit.");
     return;
  }
  var nextPage = pagesToVisit.pop();
  if (nextPage in pagesVisited) {
    // We've already visited this page, so repeat the crawl
    crawl();
  } else {
    // New page we haven't visited
    visitPage(nextPage, crawl);
  }
}

function visitPage(url, callback) {
  // Add page to our set
  pagesVisited[url] = true;
 numPagesVisited++;

  // Make the request
 console.log("Visiting page " + url);
  request(url, function(error, response, body) {
     // Check status code (200 is HTTP OK)
     console.log("Status code: " + response.statusCode);
     if(response.statusCode !== 200) {
       callback();
       return;
    }
    // Parse the document body
      var $ = cheerio.load(body);
     var isWordFound = searchForWord($, SEARCH_WORD);
     if(isWordFound) {
      console.log('Word ' + SEARCH_WORD + ' found at page ' + url);
     } else {
       collectInternalLinks($);
       // In this short program, our callback is just calling crawl()
       callback();
     }
  });
 }

function searchForWord($, word) {
  var bodyText = $('html > body').text().toLowerCase();
  return(bodyText.indexOf(word.toLowerCase()) !== -1);
}

 function collectInternalLinks($) {
     var relativeLinks = $("a[href^='/']");
console.log("Found " + relativeLinks.length + " relative links on page");
relativeLinks.each(function() {
    pagesToVisit.push(baseUrl + $(this).attr('href'));
});
}

我从在线教程中获得了大部分代码来帮助我开始,但我需要更多帮助代码工作我只是想知道是否以及如何可以网络抓取图像和视频。

较新的代码:

var request = require('request');
var cheerio = require('cheerio');
var URL = require('url-parse');
var fs = require('fs');

var START_URL = "http://moetube.net";
//var SEARCH_WORD = "anime";
 var MAX_PAGES_TO_VISIT = 200;

 var pagesVisited = {};
 var numPagesVisited = 0;
 var pagesToVisit = [];
  var url = new URL(START_URL);
 var baseUrl = url.protocol + "//" + url.hostname;

 pagesToVisit.push(START_URL);
 crawl();

 function crawl() {
   if(numPagesVisited >= MAX_PAGES_TO_VISIT) {
     console.log("Reached max limit of number of pages to visit.");
     return;
   }
   var nextPage = pagesToVisit.pop();
   if (nextPage in pagesVisited) {
     // We've already visited this page, so repeat the crawl
     crawl();
    } else {
       // New page we haven't visited
       visitPage(nextPage, crawl);
     }
   }

   function visitPage(url, callback) {
    // Add page to our set
    pagesVisited[url] = true;
    numPagesVisited++;

     // Make the request
     console.log("Visiting page " + url);
    request(url, function(error, response, body) {
    var $ = cheerio.load(body);
      // Check status code (200 is HTTP OK)
      console.log("Status code: " + response.statusCode);
      collectImages($);
      if(response.statusCode !== 200) {
        callback();

          return;
       }
      // Parse the document body

     // var isWordFound = searchForWord($, SEARCH_WORD);

    // if(isWordFound) {
     //   console.log('Word ' + SEARCH_WORD + ' found at page ' + url);
    // } else {
       collectInternalLinks($);
       // In this short program, our callback is just calling crawl()
       callback();
   //  }
   });
}

   function searchForWord($, word) {
   var bodyText = $('html > body').text().toLowerCase();
  return(bodyText.indexOf(word.toLowerCase()) !== -1);
    }

function collectImages($) {

   return $("img").map(function() {
        return $(this).text();
         console.log((this).text() + "JHJHHHHHHHHHHHHHHHHHHHH");
     }).get();
      }

 function collectInternalLinks($) {

     var relativeLinks = $("a[href^='/']");
     console.log("Found " + relativeLinks.length + " relative links on page");
     relativeLinks.each(function() {
         pagesToVisit.push(baseUrl + $(this).attr('href'));
     });
 }

【问题讨论】:

  • “网络抓取图片和视频”是什么意思?您的爬虫中的网页内容已经用cheerio 解析。您可以使用它在页面 DOM 中查找任何图像或视频引用。你还问什么?
  • @jfriend00 谢谢你,我不知道这是可能的,这就是我问的原因
  • 好吧,您已经有了可以找到页面中所有链接的代码。您可以使用类似的代码来查找所有<img> 标签或<video> 标签。如果这就是你想要做的,我可以写一个答案来表明这一点。但是,坦率地说,我不明白你所说的抓取图像和视频是什么意思,因为没有什么可以抓取的。使用指向另一个 HTML 页面的链接,您可以加载该页面,然后对其进行解析。对于图像或视频,在获得链接后无需进行其他抓取,因为它们没有嵌入链接。它们只是端点媒体。
  • @jfriend00 如果您能写下答案,那就太好了。因为现在我只想弄清楚它们是如何工作的。谢谢

标签: javascript node.js image web-crawler


【解决方案1】:

就像您使用cheerio 在正文中搜索链接一样,您也可以在正文中搜索<img><video> 标签。当您找到这些标签时,您并没有确切说明您想要做什么,但是您可以创建一个类似于您的 collectInternalLinks() 的函数,该函数将收集媒体对象以进行进一步处理:

// return array of image URLs (these may be page-relative URLS)
function collectImages($) {
    return $("img").map(function() {
        return $(this).prop("src");
    }).get();
}

// return collection of video elements
function collectVideos($) {
    let videoUrls = [];
    $("video").each(function() {
        let src = $(this).prop("src");
        if (src) {
            videoUrls.push(src);
        } else {
            let subElements = $(this).find("track, source");
            subElements.each(function() {
                let src = $(this).prop("src");
                if (src) {
                    videoUrls.push(src);
                }
            });
        }
    });
    return videoUrls;
}

收集视频 URL 有点复杂,因为可以通过多种不同的方式指定这些 URL(.src 属性、嵌入的 <track> 标记、嵌入的 <source> 标记等),因此您可以为每个<video> 标签解析出每种可能的方式。

【讨论】:

  • 好的,谢谢你的代码,它只是当我尝试实现它时,它总是给我一个 typeError: $ is not a function。有什么帮助吗?
  • 或任何实现它的方式都会有很大帮助。
  • @frenchtoaster10 - 就像在您的其他函数collectInternalLinks()searchForWord() 中一样,您必须将cheerio 实例作为参数传递给函数。这成为$ 参数。看看你的其他函数在这方面是如何工作的。
  • 好的,所以现在代码是我可以告诉工作的,但它不会输出图像链接,这样做的正确方法是什么?感谢到目前为止的所有帮助,我希望你不要因为我问这么多问题而生气。
  • @frenchtoaster10 - 我无法评论我看不到的代码。
猜你喜欢
  • 2011-12-11
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2018-08-12
  • 2012-08-01
  • 2015-05-12
  • 2013-03-29
  • 1970-01-01
相关资源
最近更新 更多