nodejs 爬取动态网页,一个合格的初级前端工程师需要掌握的模块笔记

let reg=/http:\/\/p\d.pstatp.com\/origin(\/pgc-image)?\/[A-Za-z0-9]+/g;

这个正则表达式不难,但是应该是我写过的最长的了,其中 \/pgc-image 这一段有的图片路径没有,所以用 ? 来匹配 0 次或 1 次。注意不要匹配最后的 \,不然无法正确获取路径。 接下来就是把获取的文件保存下来。匹配下来的 URL 是 http://\ 这种模式,需要自己重新设置。

var img_src = ‘http://’+item.substring(9);

接下来,就是把图片下载到本地。

下面是完整源码

/*

  • @Author: user

  • @Date: 2018-04-30 12:25:50

  • @Last Modified by: user

  • @Last Modified time: 2018-04-30 22:02:59

*/

var https =require(‘https’);

var http = require(‘http’);

var fs = require(‘fs’);

var request = require(‘request’);

let startPage=0;//从哪一页开始爬

let page=startPage;

let endPage=1;//爬到哪一页

//初始请求地址

var url=‘https://www.toutiao.com/search_content/?offset=’+startPage*20+‘&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&cur_tab=3&from=gallery’

var i = 0;

//用来判断存储还是访问

var temp=0;

//存储首页url

urlList=[];

//封装了一层函数

function fetchPage(x) {

setTimeout(function(){

startRequest(x); },2000)

}

//首先存储要访问界面的url

function getUrl(x){

temp++;

https.get(x,function(res){

var html = ‘’;

res.setEncoding(‘binary’);

res.on(‘data’, function (chunk) {

html += chunk;

});

res.on(‘end’, function () {

html = JSON.parse(html);//由于获取到的数据是JSON格式的,所以需要JSON.parse方法浅解析

for(let i of html.data){

var obj1={title:i.title,url:i.article_url};

urlList.push(obj1)

}

page++;

if(page<=endPage){

let tempUrl=‘https://www.toutiao.com/search_content/?offset=’+page*20+‘&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&cur_tab=3&from=gallery’;

getUrl(tempUrl);

}

else{

fetchPage(urlList.shift());

}

})

}).on(‘error’, function (err) {

console.log(err);

});

}

function startRequest(x) {

if(temp===0){

getUrl(x);

}

else{

//采用http模块向服务器发起一次get请求,截取的字符串为文章链接地址

x.url=‘https://www.’+x.url.substring(7,19)+‘a’+x.url.substring(25);

setTimeout(function(){

https.get(x.url, function (res) {

var html = ‘’; //用来存储请求网页的整个html内容

res.setEncoding(‘binary’);

//监听data事件,每次取一块数据

res.on(‘data’, function (chunk) {

html += chunk;

});

//监听end事件,如果整个网页内容的html都获取完毕,就执行回调函数

res.on(‘end’, function () {

var news_item = {

//获取文章的标题

title: x.title,

//i是用来判断获取了多少篇文章

i: i = i + 1,

};

console.log(news_item); //打印信息

//用来匹配script中的图片链接

let reg=/http:\/\/p\d.pstatp.com\/origin(\/pgc-image)?\/[A-Za-z0-9]+/g;

let imageList=[];

imageList=html.match(reg);

savedImg(imageList,x.title);

//如果没访问完继续访问

if (urlList.length!=0 ) {

fetchPage(urlList.shift());

}

小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数初中级前端工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Web前端开发全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。

img
img
img
img

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:前端)
img

最后

全网独播-价值千万金融项目前端架构实战

从两道网易面试题-分析JavaScript底层机制

RESTful架构在Nodejs下的最佳实践

开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

一线互联网企业如何初始化项目-做一个自己的vue-cli

思维无价,看我用Nodejs实现MVC

代码优雅的秘诀-用观察者模式深度解耦模块

前端高级实战,如何封装属于自己的JS库

VUE组件库级组件封装-高复用弹窗组件


W1nLmNvbS84MC92Mi1lOTdlMTZkMWYyNDZhNjUxZjA4ZThlZjdjZjRhZWRjZl9oZC5qcGc?x-oss-process=image/format,png)

VUE组件库级组件封装-高复用弹窗组件

  • 20
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值