mxxxxxs / comic-spider

一个通用的漫画爬虫框架

Comic-spider

一个通用的漫画爬虫框架

演示: 成熟的浏览器要会自己下载漫画!

注意: 本项目不针对任何特定站点, 不包含任何实际的代码实现, 仅提供一个思路框架

框架设计

网站数据访问

为了模拟人类的行为, comic-spider(以下简称 cs)使用 puppeteer 来访问网站数据

这给予了实现者丰富的 api 来操作网页内容, 更加方便

数据获取流程

cs 的原本设计目标是下载漫画, 数据获取流程是模仿人类用户访问的行为的

通常的一部漫画会有一个目录页面, 方便用户选择章节

cs 暴露了一个abstract class Spider, constructor接受一个indexUrl参数, 用于指定目录页

打开目录页后, 需要从页面中提取出所有章节的入口, 使用者需要实现getChapterEntries来返回一个所有章节入口 url 的数组

有了所有章节的入口 url 的数组, 接着 cs 会按照顺序一个个打开各个章节入口页面, 一次同时打开的页面数量可通过pageParallelCounts配置

打开某一章节内容页后, 需要获取本章节的页数, 实现者需要实现getChapterPageCounts来返回本章节的页数. 页数用于告知 cs 何时完成本章节爬取

打开某一章节内容页后, 需要获取具体的图像, 实现者需要实现getImageUrls来返回本章节包含的漫画图像链接, 返回一个数组, 因为有时一个页面不止一页漫画

打开某一章节内容页后, 需要获取下一页的链接, 实现者需要实现getNextPageUrl来返回下一页的链接

例外情况: 有些网站的漫画下一页不需要加载新页面, 只需要在当前页点击相关按钮就可以拉取下一张图片, 这种情况下 getNextPageUrl 可以返回 undefined, 就不加载下一页了

获取到章节内容页的图片链接后, 依据链接, 实现者需要指定图像的保存位置, 需要实现getImageSavePath来从链接生成对应的图像文件下载保存路径

如何使用

前置知识: web 前端基础, ts, nodejs, 了解 puppeteer

注意: 由于懒得折腾, 作者只在 mac 上实际跑过, 期待 win11 的 wslg

使用yarn来安装依赖

实现者需要基于Spider来自己实现细节, 参考src/examples/spiderExample.ts

具体实现的文件入口路径为src/app/app.ts, 可以从src/examples/spiderExample.ts复制过去

实现后, 使用yarn build-dev编译, 之后node out/app.js运行

调试

推荐使用 vscode, 项目带有 vscode 的调试配置

yarn build-dev后, 在调试面板启动调试即可

自定义

配置代理

Spider的constructor 参数指定proxy, 为一个 http 代理服务器地址, 暂未实现用户认证; 常见的情况是本地 clash 的代理地址

配置请求头

Spider的constructor 参数指定headers, 类型为[string, string][]

并发页面数量

Spider的constructor 参数指定pageParallelCounts, 控制 puppeteer 一次开启的页面数量(并行爬取多个章节)

为了模仿人类, 打开下一页时配置延迟与抖动

Spider的constructor 参数指定throttle(毫秒), throttleRandom(毫秒), 每次爬完一页, 等待一会儿再翻页

只爬取某个范围内的章节

Spider的constructor 参数指定chapterRange, 在getChapterEntries获取全面章节后, chapterRange会作为全部章节.slice的参数, 来指定具体爬取的章节范围

显示 puppeteer 界面

Spider的constructor 参数指定headless为false, 默认为true

License

MIT @MXXXXXS