node.js 小爬虫抓取网页数据

慕课网的nodejs教程：http://www.imooc.com/learn/348

首先，npm install cheerio，可以认为cheerio这货就是nodejs版本的jQuery，用法应该完全一致。var http = require('http')

var http = require('http')
var cheerio = require('cheerio')

var url = 'http://www.imooc.com/learn/348'

function filterChapters(html) {
    var $ = cheerio.load(html)

    var chapters = $('div.chapter')

    var courseData = [];

    chapters.each(function() {
        var chapter = $(this) // $(this)的用法可以让回调方法省略参数
        var chapterTitle = chapter.find('strong').contents().filter(function() {
            return this.nodeType === 3; // 设置一个过滤器拿到文本内容
        }).text().trim();
        var videos = chapter.find('ul').children()
        var chapterData = { // 定义一个json以接收数据
            chapterTitle : chapterTitle,
            videos : []
        }

        videos.each(function() {
            var video = $(this).find('a')
            var temp = video.text().trim()
            var arr = temp.split('\n') // 多层标签的文本都拼到一起了，要拆开，取用需要的值
            var videoTitle = arr[0].trim() + ' ' + arr[1].trim()
            var id = video.attr('href').split('video/')[1].trim()

            chapterData.videos.push({
                title : videoTitle,
                id : id
            })
        })

        courseData.push(chapterData)
    })

    return courseData
}

// 输出函数
function printCourseData(courseData) {
    courseData.forEach(function(item) {
        var chapterTitle = item.chapterTitle

        console.log(chapterTitle)

        item.videos.forEach(function(vedio) {
            console.log('---[' + vedio.id + ']' + vedio.title.trim())
        })
    })
}

// 拿到源码，调用方法进行解析及输出
http.get(url, function(res) {
    var html = ''

    res.on('data', function(data) {
        html += data
    })

    res.on('end', function() {
        var courseData = filterChapters(html)
        printCourseData(courseData)
    })
}).on('error', function() {
    console.log('获取课程数据出错！')
})

node.js 小爬虫抓取网页数据（2）

http://blog.csdn.net/sunnylinner/article/details/52968352