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npminstallexpress
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。
使用superagent获取源数据
superagent就是ajaxAPI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。
varexpress=require("express");
varurl=require("url");//解析操作url
varsuperagent=require("superagent");//这三个外部依赖不要忘记npminstall
varcheerio=require("cheerio");
vareventproxy=require("eventproxy");
vartargetUrl="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。
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CSSselector来筛选元素。
var$=cheerio.load(res.text);
//通过CSSselector来筛选数据
$("#topic_list.topic_title").each(function(idx,element){
console.log(element);
});
其结果为一个个对象,调用.each(function(index,element))
函数来遍历每一个对象,返回的是HTMLDOMElements。
输出console.log($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($element.attr("href"));
的结果为/topic/545c395becbcb78265856eb2
之类的url。再用NodeJS1的url.resolve()函数来补全完整的url。
使用eventproxy来并发抓取每个主题的内容 结果如下 扩展练习(挑战) 获取留言用户名和积分 在文章页面的源码找到评论的用户class名,classname为reply_author。console.log第一个元素 首先,我们先对一篇文章进行抓取,一次性把需要的都得到即可。 我们可以通过 在用户信息页面 使用cheerio的函数.get(0)为获取第一个元素。 这只是对于单个文章的抓取,对于40个还有需要修改的地方。
superagent.get(tUrl)
.end(function(err,res){
if(err){
returnconsole.error(err);
}
vartopicUrls=[];
var$=cheerio.load(res.text);
//获取首页所有的链接
$("#topic_list.topic_title").each(function(idx,element){
var$element=$(element);
varhref=url.resolve(tUrl,$element.attr("href"));
console.log(href);
//topicUrls.push(href);
});
});
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。
//第一步:得到一个eventproxy的实例
varep=neweventproxy();
//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){
//usecheerio
vartopicUrl=topicPair[0];
vartopicHtml=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]);
});
});
$(".reply_author").get(0)
可以看到,我们需要获取东西都在这里头。
varuserHref=url.resolve(tUrl,$(".reply_author").get(0).attribs.href);
console.log(userHref);
console.log($(".reply_author").get(0).children[0].data);
https://cnodejs.org/user/username
抓取积分信息
$(".reply_author").each(function(idx,element){
var$element=$(element);
console.log($element.attr("href"));
});
$(".big").text().trim()
即为积分信息。
varuserHref=url.resolve(tUrl,$(".reply_author").get(0).attribs.href);
console.log(userHref);
相关文章