NodeJS制作爬蟲全過程
今天來學(xué)習(xí)alsotang的爬蟲教程，跟著把CNode簡(jiǎn)單地爬一遍。
建立項(xiàng)目craelr-demo
我們首先建立一個(gè)Express項(xiàng)目，然后將app.js的文件內(nèi)容全部刪除，因?yàn)槲覀儠簳r(shí)不需要在Web端展示內(nèi)容。當(dāng)然我們也可以在空文件夾下直接 npm install express來使用我們需要的Express功能。
目標(biāo)網(wǎng)站分析
如圖，這是CNode首頁一部分div標(biāo)簽，我們就是通過這一系列的id、class來定位我們需要的信息。
使用superagent獲取源數(shù)據(jù)
superagent就是ajax API來使用的Http庫，它的使用方法與jQuery差不多，我們通過它發(fā)起get請(qǐng)求，在回調(diào)函數(shù)中輸出結(jié)果。
var express = require('express');
var url = require('url'); //解析操作url
var superagent = require('superagent'); //這三個(gè)外部依賴不要忘記npm install
var cheerio = require('cheerio');
var eventproxy = require('eventproxy');
var targetUrl = 'https://cnodejs.org/';
superagent.get(targetUrl)
.end(function (err, res) {
console.log(res);
});
它的res結(jié)果為一個(gè)包含目標(biāo)url信息的對(duì)象，網(wǎng)站內(nèi)容主要在其text(string)里。
使用cheerio解析
cheerio充當(dāng)服務(wù)器端的jQuery功能，我們先使用它的.load()來載入HTML，再通過CSS selector來篩選元素。
var $ = cheerio.load(res.text);
//通過CSS selector來篩選數(shù)據(jù)
$('#topic_list .topic_title').each(function (idx, element) {
console.log(element);
});
其結(jié)果為一個(gè)個(gè)對(duì)象，調(diào)用 .each(function(index, element))函數(shù)來遍歷每一個(gè)對(duì)象，返回的是HTML DOM Elements。
輸出 console.log($element.attr('title'));的結(jié)果為 廣州 2014年12月06日 NodeParty 之 UC 場(chǎng)
之類的標(biāo)題，輸出 console.log($element.attr('href'));的結(jié)果為 /topic/545c395becbcb78265856eb2之類的url。再用NodeJS1的url.resolve()函數(shù)來補(bǔ)全完整的url。
superagent.get(tUrl)
.end(function (err, res) {
if (err) {
return console.error(err);
}
var topicUrls = [];
var $ = cheerio.load(res.text);
// 獲取首頁所有的鏈接
$('#topic_list .topic_title').each(function (idx, element) {
var $element = $(element);
var href = url.resolve(tUrl, $element.attr('href'));
console.log(href);
//topicUrls.push(href);
});
});
使用eventproxy來并發(fā)抓取每個(gè)主題的內(nèi)容
教程上展示了深度嵌套(串行)方法和計(jì)數(shù)器方法的例子，eventproxy就是使用事件(并行)方法來解決這個(gè)問題。當(dāng)所有的抓取完成后，eventproxy接收到事件消息自動(dòng)幫你調(diào)用處理函數(shù)。
//第一步：得到一個(gè) eventproxy 的實(shí)例
var ep = new eventproxy();
//第二步：定義監(jiān)聽事件的回調(diào)函數(shù)。
//after方法為重復(fù)監(jiān)聽
//params: eventname(String) 事件名,times(Number) 監(jiān)聽次數(shù), callback 回調(diào)函數(shù)
ep.after('topic_html', topicUrls.length, function(topics){
// topics 是個(gè)數(shù)組，包含了 40 次 ep.emit('topic_html', pair) 中的那 40 個(gè) pair
//.map
topics = topics.map(function(topicPair){
//use cheerio
var topicUrl = topicPair[0];
var topicHtml = topicPair[1];
var $ = cheerio.load(topicHtml);
return ({
title: $('.topic_full_title').text().trim(),
href: topicUrl,
comment1: $('.reply_content').eq(0).text().trim()
});
});
//outcome
console.log('outcome:');
console.log(topics);
});
//第三步：確定放出事件消息的
topicUrls.forEach(function (topicUrl) {
superagent.get(topicUrl)
.end(function (err, res) {
console.log('fetch ' + topicUrl + ' successful');
ep.emit('topic_html', [topicUrl, res.text]);
});
});
結(jié)果如下
擴(kuò)展練習(xí)(挑戰(zhàn))
獲取留言用戶名和積分
在文章頁面的源碼找到評(píng)論的用戶class名，classname為reply_author。console.log第一個(gè)元素 $('.reply_author').get(0)可以看到，我們需要獲取東西都在這里頭。
首先，我們先對(duì)一篇文章進(jìn)行抓取，一次性把需要的都得到即可。
var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
console.log(userHref);
console.log($('.reply_author').get(0).children[0].data);
我們可以通過https://cnodejs.org/user/username抓取積分信息
$('.reply_author').each(function (idx, element) {
var $element = $(element);
console.log($element.attr('href'));
});
在用戶信息頁面 $('.big').text().trim()即為積分信息。
使用cheerio的函數(shù).get(0)為獲取第一個(gè)元素。
var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
console.log(userHref);
這只是對(duì)于單個(gè)文章的抓取，對(duì)于40個(gè)還有需要修改的地方。
- Node.js中使用計(jì)時(shí)器定時(shí)執(zhí)行函數(shù)詳解
- node.js中的定時(shí)器nextTick()和setImmediate()區(qū)別分析
- node.js中使用node-schedule實(shí)現(xiàn)定時(shí)任務(wù)實(shí)例
- Node.js node-schedule定時(shí)任務(wù)隔多少分鐘執(zhí)行一次的方法
- NodeJs實(shí)現(xiàn)定時(shí)任務(wù)的示例代碼
- Nodejs極簡(jiǎn)入門教程（二）：定時(shí)器
- 淺談Node.js中的定時(shí)器
- 詳解Node 定時(shí)器
- 簡(jiǎn)單好用的nodejs 爬蟲框架分享
- Nodejs實(shí)現(xiàn)定時(shí)爬蟲的完整實(shí)例
相關(guān)文章
這篇文章主要介紹了為什么使用koa2搭建微信第三方公眾平臺(tái)的原因，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2018-05-05
npm報(bào)錯(cuò):無法將"npm"項(xiàng)識(shí)別為cmdlet、函數(shù)、腳本文件或可運(yùn)行程序的名稱
這篇文章主要給大家介紹了關(guān)于npm報(bào)錯(cuò):無法將"npm"項(xiàng)識(shí)別為cmdlet、函數(shù)、腳本文件或可運(yùn)行程序的名稱的相關(guān)資料,文中將解決的辦法介紹的非常詳細(xì),需要的朋友可以參考下2023-02-02
NodeJs crypto加密制作token的實(shí)現(xiàn)代碼
這篇文章主要介紹了NodeJs crypto加密制作token的實(shí)現(xiàn)代碼，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-11-11
koa-compose簡(jiǎn)單實(shí)現(xiàn)及使用的妙處
這篇文章主要為大家介紹了koa-compose簡(jiǎn)單實(shí)現(xiàn)及使用的妙處詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-04-04
socket.io學(xué)習(xí)教程之基礎(chǔ)介紹（一）
socket.io提供了基于事件的實(shí)時(shí)雙向通訊，所以下面這篇文章主要介紹了關(guān)于socket.io的相關(guān)資料，主要介紹了學(xué)習(xí)socket.io的基礎(chǔ)知識(shí)，需要的朋友可以參考借鑒，下面來一起看看吧。2017-04-04
本文主要介紹了Node.js的入門知識(shí)，包括：Node.js的特點(diǎn)，運(yùn)行環(huán)境以及應(yīng)用小例。具有一定的參考價(jià)值，下面跟著小編一起來看下吧2017-01-01
electron demo項(xiàng)目npm install安裝失敗的解決方法
下面小編就為大家分享一篇electron demo項(xiàng)目npm install安裝失敗的解決方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-02-02
這篇文章主要介紹了Nodejs基于Windows安裝步驟,本文分步驟結(jié)合圖文并茂的形式給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友參考下吧2024-01-01
這篇文章主要介紹了node.js中的console.trace方法使用說明,本文介紹了console.trace的方法說明、語法、接收參數(shù)、使用實(shí)例和實(shí)現(xiàn)源碼,需要的朋友可以參考下2014-12-12
這篇文章主要介紹了純異步nodejs文件夾(目錄)復(fù)制功能，本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-09-09