nodejs 做一个简单的爬虫，聊聊前端开发的现状和思考

下面就是武大计算机学院新闻的爬虫代码了，复制到创建的 .js 文件中，保存。

var http = require(‘http’);

var fs = require(‘fs’);

var cheerio = require(‘cheerio’);

var request = require(‘request’);

var i = 0;

//初始url

var url = “http://cs.whu.edu.cn/a/xinwendongtaifabu/2018/0428/7053.html”;

function fetchPage(x) { //封装了一层函数

startRequest(x);

}

function startRequest(x) {

//采用http模块向服务器发起一次get请求

http.get(x, function (res) {

var html = ‘’; //用来存储请求网页的整个html内容

var titles = [];

res.setEncoding(‘utf-8’); //防止中文乱码

//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 $ = cheerio.load(html); //采用cheerio模块解析html

var news_item = {

//获取文章的标题

title: $(‘div#container dt’).text().trim(),

i: i = i + 1,

};

console.log(news_item); //打印新闻信息

var news_title = $(‘div#container dt’).text().trim();

savedContent($,news_title); //存储每篇文章的内容及文章标题

savedImg($,news_title); //存储每篇文章的图片及图片标题

//下一篇文章的url

var nextLink=“http://cs.whu.edu.cn” + $(“dd.Paging a”).attr(‘href’);

str1 = nextLink.split(‘-’); //去除掉url后面的中文

str = encodeURI(str1[0]);

//这是亮点之一，通过控制I,可以控制爬取多少篇文章.武大只有8篇，所以设置为8

if (i <= 8) {

fetchPage(str);

}

});

}).on(‘error’, function (err) {

console.log(err);

});

}

//该函数的作用：在本地存储所爬取的新闻内容资源

function savedContent($, news_title) {

$(‘dd.info’).each(function (index, item) {

var x = $(this).text();

var y = x.substring(0, 2).trim();

if (y == ‘’) {

x = x + ‘\n’;

//将新闻文本内容一段一段添加到/data文件夹下，并用新闻的标题来命名文件

fs.appendFile(‘./data/’ + news_title + ‘.txt’, x, ‘utf-8’, function (err) {

if (err) {

console.log(err);

}

});

}

})

}

//该函数的作用：在本地存储所爬取到的图片资源

function savedImg($,news_title) {

$(‘dd.info img’).each(function (index, item) {

var img_title = $(this).parent().next().text().trim(); //获取图片的标题

if(img_title.length>35||img_title==“”){

img_title=“Null”;

}

var img_filename = img_title + ‘.jpg’;

var img_src = ‘http://cs.whu.edu.cn’ + $(this).attr(‘src’); //获取图片的url

//采用request模块，向服务器发起一次请求，获取图片资源

request.head(img_src,function(err,res,body){

if(err){

console.log(err);

}

});

request(img_src).pipe(fs.createWriteStream(‘./image/’+news_title + ‘—’ + img_filename)); //通过流的方式，把图片写到本地/image目录下，并用新闻的标题和图片的标题作为图片的名称。

})

}

fetchPage(url); //主程序开始运行

下面就是激动人心的时刻了，在当前文件夹下面，运行创建的 js 文件，比如我的是 news.js。

npm news.js

文本资源：

图片资源：

---

草榴技术讨论区爬虫

爬完武大的新闻并不过瘾，于是尝试了一波爬草榴的技术讨论区（当然也能爬一些你懂的）。其中遇到了一些问题。

爬草榴的时候，发送 http 请求报文头里面需要包含 User-Agent 字段，于是需要把 初始url 做如下改变

var url = {

hostname: ‘cl.5fy.xyz’,

path: ‘/thread0806.php?fid=7’,

headers: {

‘Content-Type’: ‘text/html’,

//没有这个字段的话访问不了

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36’,

}};

其次，nodejs 只支持 抓取 utf-8 字符编码的网站，所以需要安装额外的包来转换编码，所以修改代码如下

/*

• @Author: user

• @Date: 2018-04-28 19:34:50

• @Last Modified by: user

• @Last Modified time: 2018-04-30 21:35:26

*/

var http = require(‘http’);

var fs = require(‘fs’);

var cheerio = require(‘cheerio’);

var request = require(‘request’);

var iconv=require(‘iconv-lite’);

var i = 0;

//用来判断存储还是访问

var temp=0;

let startPage=3;//从哪一页开始爬

let page=startPage;

let endPage=5;//爬到哪一页

let searchText=‘’;//爬取的关键字，默认全部爬取，根据自己需要

//初始url

var url = {

hostname: ‘1024liuyouba.tk’,

path: ‘/thread0806.php?fid=16’+‘&search=&page=’+startPage,

headers: {

‘Content-Type’: ‘text/html’,

//没有这个字段的话访问不了

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36’,

}};

//存储首页url

urlList=[];

//封装了一层函数

function fetchPage(x) {

setTimeout(function(){

startRequest(x); },5000)

}

//首先存储要访问界面的url

function getUrl(x){

temp++;

http.get(x,function(res){

var html = ‘’;

res.setEncoding(‘binary’);

res.on(‘data’, function (chunk) {

html += chunk;

});

res.on(‘end’, function () {

var buf=new Buffer(html,‘binary’);

var str=iconv.decode(buf,‘GBK’);

var $ = cheerio.load(str); //采用cheerio模块解析html

$(‘tr.tr3 td.tal h3 a’).each(function(){

var search=$(this).text();

if(search.indexOf(searchText)>=0){

var nextLink=“http://cl.5fy.xyz/” + $(this).attr(‘href’);

str1 = nextLink.split(‘-’); //去除掉url后面的中文

str = encodeURI(str1[0]);

urlList.push(str); }

})

page++;

if(page<endPage){

//存储下一页url

x.path=‘/thread0806.php?fid=16’+‘&search=&page=’+page,

getUrl(x);

}else if(urlList.length!=0){

fetchPage(urlList.shift());

}else{

console.log(‘未查询到关键字！’);

}

})

}).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

http.get(x, function (res) {

var html = ‘’; //用来存储请求网页的整个html内容

res.setEncoding(‘binary’);

var titles = [];

//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 buf=new Buffer(html,‘binary’);

var str=iconv.decode(buf,‘GBK’);

var $ = cheerio.load(str); //采用cheerio模块解析html

var news_item = {

//获取文章的标题

title: $(‘h4’).text().trim(),

//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

var news_title = $(‘h4’).text().trim();

savedContent($,news_title); //存储每篇文章的内容及文章标题

自我介绍一下，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，但对于培训机构动则几千的学费，着实压力不小。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》，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。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，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，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注前端）

前端资料汇总

我一直觉得技术面试不是考试，考前背背题，发给你一张考卷，答完交卷等通知。

首先，技术面试是一个 认识自己 的过程，知道自己和外面世界的差距。

更重要的是，技术面试是一个双向了解的过程，要让对方发现你的闪光点，同时也要 试图去找到对方的闪光点，因为他以后可能就是你的同事或者领导，所以，面试官问你有什么问题的时候，不要说没有了，要去试图了解他的工作内容、了解这个团队的氛围。
找工作无非就是看三点：和什么人、做什么事、给多少钱，要给这三者在自己的心里划分一个比例。
最后，祝愿大家在这并不友好的环境下都能找到自己心仪的归宿。
，并且后续会持续更新**

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注前端）
[外链图片转存中…(img-dZ3Wo9bQ-1712101635584)]

前端资料汇总

我一直觉得技术面试不是考试，考前背背题，发给你一张考卷，答完交卷等通知。

首先，技术面试是一个 认识自己 的过程，知道自己和外面世界的差距。

更重要的是，技术面试是一个双向了解的过程，要让对方发现你的闪光点，同时也要 试图去找到对方的闪光点，因为他以后可能就是你的同事或者领导，所以，面试官问你有什么问题的时候，不要说没有了，要去试图了解他的工作内容、了解这个团队的氛围。
找工作无非就是看三点：和什么人、做什么事、给多少钱，要给这三者在自己的心里划分一个比例。
最后，祝愿大家在这并不友好的环境下都能找到自己心仪的归宿。