快捷導(dǎo)航

nodejs爬蟲初試superagent和cheerio

更新時(shí)間：2018年03月05日 09:26:17 作者：Shapeying

這篇文章主要介紹了nodejs爬蟲初試superagent和cheerio的相關(guān)知識(shí)，非常不錯(cuò)，具有參考借鑒價(jià)值,需要的朋友可以參考下

前言

　　早就聽過爬蟲，這幾天開始學(xué)習(xí)nodejs，寫了個(gè)爬蟲https://github.com/leichangchun/node-crawlers/tree/master/superagent_cheerio_demo，爬取博客園首頁的文章標(biāo)題、用戶名、閱讀數(shù)、推薦數(shù)和用戶頭像，現(xiàn)做個(gè)小總結(jié)。

　　使用到這幾個(gè)點(diǎn)：

　　1、node的核心模塊-- 文件系統(tǒng)

　　2、用于http請(qǐng)求的第三方模塊 -- superagent

　　3、用于解析DOM的第三方模塊 -- cheerio

　　幾個(gè)模塊詳細(xì)的講解及API請(qǐng)到各個(gè)鏈接查閱，demo中只有簡單的用法。

準(zhǔn)備工作

　　使用npm管理依賴，依賴信息會(huì)存放在package.json中

//安裝用到的第三方模塊
cnpm install --save superagent cheerio

　　引入所需要用到的功能模塊

//引入第三方模塊，superagent用于http請(qǐng)求，cheerio用于解析DOM
const request = require('superagent');
const cheerio = require('cheerio');
const fs = require('fs');

請(qǐng)求 + 解析頁面

　　想要爬到博客園首頁的內(nèi)容，首先要請(qǐng)求首頁地址，拿到返回的html，這里使用superagent進(jìn)行http請(qǐng)求，基本的使用方法如下：

request.get(url)
      .end(error,res){
      //do something     
}

　　向指定的url發(fā)起get請(qǐng)求，請(qǐng)求錯(cuò)誤時(shí)，會(huì)有error返回（沒有錯(cuò)誤時(shí)，error為null或undefined），res為返回的數(shù)據(jù)。

　　拿到html內(nèi)容后，要拿到我們想要的數(shù)據(jù)，這個(gè)時(shí)候就需要用cheerio解析DOM了，cheerio要先load目標(biāo)html，然后再進(jìn)行解析，API和jquery的API非常類似，熟悉jquery上手非?？?。直接看代碼實(shí)例

//目標(biāo)鏈接 博客園首頁
let targetUrl = 'https://www.cnblogs.com/';
//用來暫時(shí)保存解析到的內(nèi)容和圖片地址數(shù)據(jù)
let content = '';
let imgs = [];
//發(fā)起請(qǐng)求
request.get(targetUrl)
    .end( (error,res) => {
      if(error){ //請(qǐng)求出錯(cuò)，打印錯(cuò)誤，返回
        console.log(error)
        return;
      }
      // cheerio需要先load html
      let $ = cheerio.load(res.text);
      //抓取需要的數(shù)據(jù),each為cheerio提供的方法用來遍歷
      $('#post_list .post_item').each( (index,element) => {
        //分析所需要的數(shù)據(jù)的DOM結(jié)構(gòu)
        //通過選擇器定位到目標(biāo)元素，再獲取到數(shù)據(jù)
        let temp = {
          '標(biāo)題' : $(element).find('h3 a').text(),
          '作者' : $(element).find('.post_item_foot > a').text(),
          '閱讀數(shù)' : +$(element).find('.article_view a').text().slice(3,-2),
          '推薦數(shù)' : +$(element).find('.diggnum').text()
        }
        //拼接數(shù)據(jù)
        content += JSON.stringify(temp) + '\n';
        //同樣的方式獲取圖片地址
        if($(element).find('img.pfs').length > 0){
          imgs.push($(element).find('img.pfs').attr('src'));
        }
      });
      //存放數(shù)據(jù)
      mkdir('./content',saveContent);
      mkdir('./imgs',downloadImg);
    })

存儲(chǔ)數(shù)據(jù)

　　上面解析DOM之后，已經(jīng)拼接了所需要的信息內(nèi)容，也拿到了圖片的URL，現(xiàn)在就進(jìn)行存儲(chǔ)，把內(nèi)容存放到指定目錄的txt文件中，而且下載圖片到指定目錄

　　先創(chuàng)建目錄，使用nodejs核心的文件系統(tǒng)

//創(chuàng)建目錄
function mkdir(_path,callback){
  if(fs.existsSync(_path)){
    console.log(`${_path}目錄已存在`)
  }else{
    fs.mkdir(_path,(error)=>{
      if(error){
        return console.log(`創(chuàng)建${_path}目錄失敗`);
      }
      console.log(`創(chuàng)建${_path}目錄成功`)
    })
  }
  callback(); //沒有生成指定目錄不會(huì)執(zhí)行
}

　　有了指定目錄之后，可以寫入數(shù)據(jù)了，txt文件的內(nèi)容已經(jīng)有了，直接寫入就可以了使用writeFile()

//將文字內(nèi)容存入txt文件中
function saveContent() {
  fs.writeFile('./content/content.txt',content.toString());
}

　　取到了圖片的鏈接，所以需要再使用superagent下載圖片，存在本地。superagent可以直接返回一個(gè)響應(yīng)流，再配合nodejs的管道，直接把圖片內(nèi)容寫到本地

//下載爬到的圖片
function downloadImg() {
  imgs.forEach((imgUrl,index) => {
    //獲取圖片名 
    let imgName = imgUrl.split('/').pop();

    //下載圖片存放到指定目錄
    let stream = fs.createWriteStream(`./imgs/${imgName}`);
    let req = request.get('https:' + imgUrl); //響應(yīng)流
    req.pipe(stream);
    console.log(`開始下載圖片 https:${imgUrl} --> ./imgs/${imgName}`);     
  } )
}

效果　　

　　執(zhí)行下demo，看下效果，數(shù)據(jù)已經(jīng)正常爬下來了