管理资源吧首页>>>教程>>>编程>>>JavaScript教程>>>

NodeJS制作爬虫全过程

　　今天来学习alsotang的爬虫教程，跟着把CNode简单地爬一遍。

　　建立项目craelr-demo

　　我们首先建立一个Express项目，然后将app.js的文件内容全部删除，因为我们暂时不需要在Web端展示内容。当然我们也可以在空文件夹下直接 npm install express来使用我们需要的Express功能。

　　目标网站分析

　　如图，这是CNode首页一部分div标签，我们就是通过这一系列的id、class来定位我们需要的信息。

NodeJS制作爬虫全过程

　　使用superagent获取源数据

　　

　　superagent就是ajax API来使用的Http库，它的使用方法与jQuery差不多，我们通过它发起get请求，在回调函数中输出结果。

　　

复制代码 代码如下:

　　var express = require('express');

　　var url = require('url'); //解析操作url

　　var superagent = require('superagent'); //这三个外部依赖不要忘记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结果为一个包含目标url信息的对象，网站内容主要在其text(string)里。

NodeJS制作爬虫全过程

　　使用cheerio解析

　　

　　cheerio充当服务器端的jQuery功能，我们先使用它的.load()来载入HTML，再通过CSS selector来筛选元素。

　　

复制代码 代码如下:

　　var $ = cheerio.load(res.text);

　　//通过CSS selector来筛选数据

　　$('#topic_list .topic_title').each(function (idx, element) {

　　console.log(element);

　　});

　　其结果为一个个对象，调用 .each(function(index, element))函数来遍历每一个对象，返回的是HTML DOM Elements。

NodeJS制作爬虫全过程

　　输出 console.log($element.attr('title'));的结果为 广州 2014年12月06日 NodeParty 之 UC 场

　　之类的标题，输出 console.log($element.attr('href'));的结果为 /topic/545c395becbcb78265856eb2之类的url。再用NodeJS1的url.resolve()函数来补全完整的url。

　　

复制代码 代码如下:

　　superagent.get(tUrl)

　　.end(function (err, res) {

　　if (err) {

　　return console.error(err);

　　}

　　var topicUrls = [];

　　var $ = cheerio.load(res.text);

　　// 获取首页所有的链接

　　$('#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来并发抓取每个主题的内容

　　教程上展示了深度嵌套(串行)方法和计数器方法的例子，eventproxy就是使用事件(并行)方法来解决这个问题。当所有的抓取完成后，eventproxy接收到事件消息自动帮你调用处理函数。

　　

复制代码 代码如下:

　　//第一步：得到一个 eventproxy 的实例

　　var ep = new eventproxy();

　　//第二步：定义监听事件的回调函数。

　　//after方法为重复监听

　　//params: eventname(String) 事件名,times(Number) 监听次数, callback 回调函数

　　ep.after('topic_html', topicUrls.length, function(topics){

　　// topics 是个数组，包含了 40 次 ep.emit('topic_html', pair) 中的那 40 个 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：确定放出事件消息的

　　topicUrls.forEach(function (topicUrl) {

　　superagent.get(topicUrl)

　　.end(function (err, res) {

　　console.log('fetch ' + topicUrl + ' successful');

　　ep.emit('topic_html', [topicUrl, res.text]);

　　});

　　});

　　结果如下

NodeJS制作爬虫全过程

　　扩展练习(挑战)

　　获取留言用户名和积分

NodeJS制作爬虫全过程

　　在文章页面的源码找到评论的用户class名，classname为reply_author。console.log第一个元素 $('.reply_author').get(0)可以看到，我们需要获取东西都在这里头。

NodeJS制作爬虫全过程

　　首先，我们先对一篇文章进行抓取，一次性把需要的都得到即可。

　　

复制代码 代码如下:

　　var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);

　　console.log(userHref);

　　console.log($('.reply_author').get(0).children[0].data);

　　我们可以通过https://cnodejs.org/user/username抓取积分信息

　　

复制代码 代码如下:

　　$('.reply_author').each(function (idx, element) {

　　var $element = $(element);

　　console.log($element.attr('href'));

　　});

　　在用户信息页面 $('.big').text().trim()即为积分信息。

　　使用cheerio的函数.get(0)为获取第一个元素。

　　

复制代码 代码如下:

　　var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);

　　console.log(userHref);

　　这只是对于单个文章的抓取，对于40个还有需要修改的地方。

教程首页 更多教程