node爬虫

转载

mb5fdb1266ce6df 2017-02-23 11:44:00

文章标签 html get请求服务器端 jquery bash 文章分类 Java 后端开发

node是服务器端的语言，所以可以像python一样对网站进行爬取，下面就使用node对博客园进行爬取，得到其中所有的章节信息。

第一步：建立crawl文件，然后npm init。

第二步：建立crawl.js文件，一个简单的爬取整个页面的代码如下所示：

var http = require("http");
var url = "http://www.com";

http.get(url, function (res) {
    var html = "";
    res.on("data", function (data) {
        html += data;
    });
    res.on("end", function () {
        console.log(html);
    });
}).on("error", function () {
    console.log("获取课程结果错误！");
});

即引入http模块，然后利用http对象的get请求，即一旦运行，相当于node服务器端发送了一个get请求请求这个页面，然后通过res返回，其中on绑定data事件用来不断地接受数据，最后end时我们就在后台打印出来。

这只是整个页面的一部分，我们可以在此页面审查元素，发现确实是一样的

我们只需要将其中的章节title和每一小节的信息爬到即可。

第三步：引入cheerio模块，如下：（在gitbash中安装即可，cmd总是出问题）

cnpm install cheerio --save-dev

这个模块的引入，就是为了方便我们操作dom，就像jQuery一样。

第四步：操作dom，获取有用信息。

var http = require("http");
var cheerio = require("cheerio");

var url = "http://www.com";

function filterData(html) {
    var $ = cheerio.load(html); 
    var items = $(".post_item");
    var result = [];
    items.each(function (item) {
        var tit = $(this).find(".titlelnk").text();
        var aut = $(this).find(".lightblue").text();
        var one = {
            title: tit,
            author: aut
        };
        result.push(one);
    });
    return result;
}

function printInfos(allInfos) {
    allInfos.forEach(function (item) {
        console.log("文章题目  " + item["title"] + '\n' + "文章作者  " + item["author"] + '\n'+ '\n');
    });
}

http.get(url, function (res) {
    var html = "";
    res.on("data", function (data) {
        html += data;
    });
    res.on("end", function (data) {
        var allInfos = filterData(html);
        printInfos(allInfos);
    });
}).on("error", function () {
    console.log("爬取博客园首页失败")
});