本文介紹了Node.js爬蟲之網(wǎng)頁請求模塊，分享給大家，具體如下：

注：如您下載最新的nodegrass版本，由于部分方法已經(jīng)更新，本文的例子已經(jīng)不再適應(yīng)，詳細(xì)請查看開源地址中的例子。

一、為什么我要寫這樣一個(gè)模塊？

源于筆者想使用Node.js寫一個(gè)爬蟲，雖然Node.js官方API提供的請求遠(yuǎn)程資源的方法已經(jīng)非常簡便，具體參考

http://nodejs.org/api/http.html 其中對于Http的請求提供了，http.get(options, callback)和http.request(options, callback)兩個(gè)方法，

看方法便知，get方法用于get方式的請求，而request方法提供更多的參數(shù)，例如其它請求方式，請求主機(jī)的端口等等。對于Https的請求于Http類似。一個(gè)最簡單的例子：

var https = require('https');
https.get('https://encrypted.google.com/', function(res) {
 console.log("statusCode: ", res.statusCode);
 console.log("headers: ", res.headers);

 res.on('data', function(d) {
  process.stdout.write(d);
 });

}).on('error', function(e) {
 console.error(e);
});

對于以上代碼，我們無非就是想請求遠(yuǎn)程主機(jī)，得到響應(yīng)信息，例如響應(yīng)狀態(tài)，響應(yīng)頭，響應(yīng)主體內(nèi)容。其中g(shù)et方法的第二個(gè)參數(shù)是一個(gè)回調(diào)函數(shù)，我們異步的獲取響應(yīng)信息，然后，在該回調(diào)函數(shù)中，res對象又監(jiān)聽data，on方法中第二個(gè)參數(shù)又是一個(gè)回調(diào)，而你得到d（你請求到的響應(yīng)信息）后，很可能在對它進(jìn)行操作的時(shí)候再次引入回調(diào)，一層層下去，最后就暈了。。。對于異步方式的編程，對于一些習(xí)慣同步方式寫代碼的同學(xué)是非常糾結(jié)的，當(dāng)然國內(nèi)外已經(jīng)對此提供了一些非常優(yōu)秀的同步類庫，例如老趙的Wind.js......好像有點(diǎn)扯遠(yuǎn)了。其實(shí)，我們調(diào)用get最終要得到的無非就是響應(yīng)信息，而不關(guān)心res.on這樣的監(jiān)聽過程，因?yàn)樘珣卸琛２幌朊看味紃es.on('data',func)，于是誕生了今天我要介紹的nodegrass。

二、nodegrass請求資源，像Jquery的$.get(url,func)

一個(gè)最簡單的例子：

var nodegrass = require('nodegrass');
nodegrass.get("http://www.baidu.com",function(data,status,headers){
  console.log(status);
  console.log(headers);
  console.log(data);
},'gbk').on('error', function(e) {
  console.log("Got error: " + e.message);
});

咋一看，和官方原來的get沒啥區(qū)別，確實(shí)差不多=。=！只不過少了一層res.on('data',func)的事件監(jiān)聽回調(diào)而已。不管你信不信，反正我看上去感覺舒服多了，第二個(gè)參數(shù)同樣是一個(gè)回調(diào)函數(shù)，其中的參數(shù)data是響應(yīng)主體內(nèi)容，status是響應(yīng)狀態(tài)，headers是響應(yīng)頭。得到響應(yīng)內(nèi)容，我們就可以對得到的資源提取任何我們感興趣的信息啦。當(dāng)然這個(gè)例子中，只是簡單的打印的控制臺而已。第三個(gè)參數(shù)是字符編碼，目前Node.js不支持gbk，這里nodegrass內(nèi)部引用了iconv-lite進(jìn)行了處理，所以，如果你請求的網(wǎng)頁編碼是gbk的，例如百度。只需加上這個(gè)參數(shù)就行了。

那么對于https的請求呢？如果是官方api，你得引入https模塊，但是請求的get方法等和http類似，于是nodegrass順便把他們整合在一塊了?？蠢樱?/p>

var nodegrass = require('nodegrass');
nodegrass.get("https://github.com",function(data,status,headers){
  console.log(status);
  console.log(headers);
  console.log(data);
},'utf8').on('error', function(e) {
  console.log("Got error: " + e.message);
});

nodegrass會根據(jù)url自動(dòng)識別是http還是https，當(dāng)然你的url必須得有，不能只寫www.baidu.com/而需要http://www.baidu.com/。

對于post的請求，nodegrass提供了post方法，看例子：

var ng=require('nodegrass');
ng.post("https://api.weibo.com/oauth2/access_token",function(data,status,headers){
  var accessToken = JSON.parse(data);
  var err = null;
  if(accessToken.error){
     err = accessToken;
  }
  callback(err,accessToken);
  },headers,options,'utf8');

以上是新浪微博Auth2.0請求accessToken的一部分，其中使用nodegrass的post請求access_token的api。

post方法相比get方法多提供了headers請求頭參數(shù)，options--post的數(shù)據(jù)，它們都是對象字面量的類型：

var headers = {
    'Content-Type': 'application/x-www-form-urlencoded',
    'Content-Length':data.length
  };

var options = {
       client_id : 'id',
     client_secret : 'cs',
     grant_type : 'authorization_code',
     redirect_uri : 'your callback url',
     code: acode
  };

三、利用nodegrass做代理服務(wù)器？……**

看例子：

var ng = require('nodegrass'),
   http=require('http'),
   url=require('url');

   http.createServer(function(req,res){
    var pathname = url.parse(req.url).pathname;
    
    if(pathname === '/'){
      ng.get('http://www.cnblogs.com/',function(data){
        res.writeHeader(200,{'Content-Type':'text/html;charset=utf-8'});
        res.write(data+"\n");
        res.end();
        },'utf8');
      }
   }).listen(8088);
   console.log('server listening 8088...');

就這么簡單，當(dāng)然代理服務(wù)器還有復(fù)雜的多，這個(gè)不算是，但至少你訪問本地8088端口，看到的是不是博客園的頁面呢？

nodegrass的開源地址：https://github.com/scottkiss/nodegrass

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論