nodejs爬虫
最近接触了一下nodejs的爬虫。
至于为什么我会想到用nodejs去写,因为本身我是一个前端的学员,PYTHON什么的是不会学的,java什么的也不会用,只能用javascript做点力所能及的事情。
但是话说回来,nodejs爬虫对于我这样一个小白来讲真的不算难,js的语法加上几个node模块可以简单实现nodejs的爬虫信息获取。
简单的代码
var http = require('http');
var fs = require('fs');
var cheerio = require('cheerio');
var request = require('request');
以上几个模块就是我所用到的,第一次写不成熟的博客请随意拍。
npm install --save request
npm install cheerio
简单说一下,cheerio类似jquery,可以方便的抓取页面元素。
在nodejs的开发中,有时需要后台去调用其他服务器的接口,这个时候,就需要发送HTTP请求了。有一个简单的工具可以用,Simplified HTTP request client,可以比较方便的模拟请求。
var url = "http://crjy.hlju.edu.cn/info/1458/3080.htm";
我将url设定为我们校园网的一个静态页面,根据尾号数字的改变可以更改不同的页面,做一个参数每次循环+1可实现抓取。
function startRequest(x) {
http.get(x, function (res) {
var html = '';
var titles = [];
res.setEncoding('utf-8');
res.on('data', function (chunk) {
html += chunk;
});
res.on('end', function () {
var $ = cheerio.load(html);
var time = $('span.timestyle113332').text().trim();
var news_item = {
title: $('td.titlestyle113332').text().trim(),
Time: time,
i: i = i + 1,
};
console.log(news_item);
var news_title = $('td.titlestyle113332').text().trim();
savedContent($,news_title);
var nextLink="http://crjy.hlju.edu.cn/info/1458/" + $("td.contextstyle113332 a").attr('href');
console.log(nextLink);
str1 = nextLink.split('-');
str = encodeURI(str1[0]);
if (i <= 500) {
fetchPage(str);
}
});
}).on('error', function (err) {
console.log(err);
});
}
————————
明天继续9.21