最近開(kāi)始重新學(xué)習(xí)node.js，之前學(xué)的都忘了。所以準(zhǔn)備重新學(xué)一下，那么，先從一個(gè)簡(jiǎn)單的爬蟲(chóng)開(kāi)始吧。

什么是爬蟲(chóng)

百度百科的解釋：

爬蟲(chóng)即網(wǎng)絡(luò)爬蟲(chóng)，是一種自動(dòng)獲取網(wǎng)頁(yè)內(nèi)容的程序。是搜索引擎的重要組成部分，因此搜索引擎優(yōu)化很大程度上就是針對(duì)爬蟲(chóng)而做出的優(yōu)化。

通俗一點(diǎn)講：

把別人網(wǎng)站的信息給弄下來(lái)，弄到自己的電腦上。然后再做一些過(guò)濾，比如篩選啊，排序啊，提取圖片啊，鏈接什么的。獲取你需要的信息。

如果數(shù)據(jù)量很大，而且你的算法又比較叼，并且可以給別人檢索服務(wù)的話，那么你的爬蟲(chóng)就是一個(gè)小百度或者小谷歌了

什么是robots協(xié)議

了解完什么是爬蟲(chóng)之后，我們?cè)賮?lái)了解一下爬蟲(chóng)的協(xié)議了，也就是哪些東西才已去爬。

Robots協(xié)議（也稱為爬蟲(chóng)協(xié)議、機(jī)器人協(xié)議等）的全稱是“網(wǎng)絡(luò)爬蟲(chóng)排除標(biāo)準(zhǔn)”（Robots Exclusion Protocol），網(wǎng)站通過(guò)Robots協(xié)議告訴搜索引擎哪些頁(yè)面可以抓取，哪些頁(yè)面不能抓取?！?/p>

robots.txt文件是一個(gè)文本文件，它是一個(gè)協(xié)議，而不是一個(gè)命令。它是搜索引擎中訪問(wèn)網(wǎng)站的時(shí)候要查看的第一個(gè)文件。robots.txt文件告訴蜘蛛程序在服務(wù)器上什么文件是可以被查看的。

當(dāng)一個(gè)搜索蜘蛛訪問(wèn)一個(gè)站點(diǎn)時(shí)，它會(huì)首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果存在，搜索機(jī)器人就會(huì)按照該文件中的內(nèi)容來(lái)確定訪問(wèn)的范圍；

如果該文件不存在，所有的搜索蜘蛛將能夠訪問(wèn)網(wǎng)站上所有沒(méi)有被口令保護(hù)的頁(yè)面。百度官方建議，僅當(dāng)您的網(wǎng)站包含不希望被搜索引擎收錄的內(nèi)容時(shí)，才需要使用robots.txt文件。如果您希望搜索引擎收錄網(wǎng)站上所有內(nèi)容，請(qǐng)勿建立robots.txt文件。

如果將網(wǎng)站視為酒店里的一個(gè)房間，robots.txt就是主人在房間門口懸掛的“請(qǐng)勿打擾”或“歡迎打掃”的提示牌。這個(gè)文件告訴來(lái)訪的搜索引擎哪些房間可以進(jìn)入和參觀，哪些房間因?yàn)榇娣刨F重物品，或可能涉及住戶及訪客的隱私而不對(duì)搜索引擎開(kāi)放。但robots.txt不是命令，也不是防火墻，如同守門人無(wú)法阻止竊賊等惡意闖入者。

環(huán)境搭建

需要的環(huán)境：node環(huán)境

需要安裝的東西： express、require、cherrio

可以在這里找到模塊的用法：https://www.npmjs.com，直接輸入模塊名字即可，比如：require

1、express這里就不做介紹了，中文網(wǎng)址在這里，可以查看：http://www.expressjs.com.cn/

2、request模塊讓http請(qǐng)求變的更加簡(jiǎn)單。最簡(jiǎn)單的一個(gè)示例：

var express = require('express');
var app = express();

app.get('/', function(req, res){
 res.send('hello world');
});

app.listen(3000);

安裝：npm install request

3、cherrio 是為服務(wù)器特別定制的，快速、靈活、實(shí)施的jQuery核心實(shí)現(xiàn)。

通過(guò)cherrio,我們就可以將抓取到的內(nèi)容，像使用jquery的方式來(lái)使用了?？梢渣c(diǎn)擊這里查看：https://cnodejs.org/topic/5203a71844e76d216a727d2e

var cheerio = require('cheerio'),
$ = cheerio.load('<h2 class="title">Hello world</h2>');
$('h2.title').text('Hello there!');

安裝：npm install cherrio

爬蟲(chóng)實(shí)戰(zhàn)

假設(shè)你的電腦里已經(jīng)安裝好了node和express。那么我們現(xiàn)在開(kāi)始進(jìn)行我們的爬蟲(chóng)小程序：

1、首先隨便進(jìn)入一個(gè)硬盤，假如是F盤，cmd環(huán)境下執(zhí)行： express mySpider

然后你發(fā)覺(jué)你的F盤上多了一個(gè) mySpider的文件夾和一些文件，進(jìn)入文件，cmd下執(zhí)行 npm install

2、然后安裝我們的require ==》npm installrequire --save 、再安裝我們的cherrio==》npm install cherrio --save

3、安裝好后，執(zhí)行npm start,如果想監(jiān)聽(tīng)窗口的變化，可以執(zhí)行：supervisor start app.js，然后在瀏覽器輸入：localhost:3000，這樣我們就可以在瀏覽器看到express的一些歡迎語(yǔ)啊什么的

4、打開(kāi)app.js文件，你會(huì)發(fā)覺(jué)里面有一大堆東西，因?yàn)槭桥老x(chóng)小程序嘛，所以都是不需要滴，刪，在express的API里有這段代碼，粘貼在app.js里面

app.js

var express = require('express');
var app = express();

app.get('/', function(req, res){
 res.send('hello world');
});

app.listen(3000);

5、我們的require登場(chǎng)了。繼續(xù)修改一下app.js改為：

var express = require('express');
var app = express();
var request = require('request');

app.get('/', function(req, res){
 request('http://www.cnblogs.com', function (error, response, body) {
  if (!error && response.statusCode == 200) {
    res.send('hello world');
  }
 })
});
app.listen(3000);

其中request的鏈接就是我們要爬的網(wǎng)址，加入我們要爬的是博客園的網(wǎng)站，所以輸入的是博客園的網(wǎng)址

6、引入cherrio，來(lái)讓我們可以操做爬到的網(wǎng)站的內(nèi)容，繼續(xù)修改一下app.js

var express = require('express');
var app = express();
var request = require('request');
var cheerio = require('cheerio');

app.get('/', function(req, res){
 request('http://www.cnblogs.com', function (error, response, body) {
  if (!error && response.statusCode == 200) {
   //返回的body為抓到的網(wǎng)頁(yè)的html內(nèi)容
   var $ = cheerio.load(body); //當(dāng)前的$符相當(dāng)于拿到了所有的body里面的選擇器
   var navText=$('.post_nav_block').html(); //拿到導(dǎo)航欄的內(nèi)容
   res.send(navText);
  }
 })
});
app.listen(3000);

我們抓到的內(nèi)容都返回到了request的body里面。cherrio可以獲取所有的dom選擇器。假如我們要獲取導(dǎo)航的內(nèi)容：ul的class為：post_nav_block

然后我們就可以將里面的內(nèi)容顯示出來(lái)了：

這個(gè)說(shuō)明，我們的爬蟲(chóng)小程序就成功了。當(dāng)然，這是一個(gè)簡(jiǎn)單的不能再簡(jiǎn)單的爬蟲(chóng)了。不過(guò)今天的文章就暫時(shí)介紹到這里，只是大概了解一下爬蟲(chóng)的過(guò)程而已。

接下來(lái)的第二篇文章會(huì)對(duì)這個(gè)爬蟲(chóng)進(jìn)行升級(jí)，改版。比如異步啦，并發(fā)啦，定時(shí)去爬啦等等。

代碼地址：https://github.com/xianyulaodi/mySpider

最新評(píng)論