以使用 superagent 与 cheerio 完成简单爬虫为例,需要用到三个依赖,分别是 express,superagent 和 cheerio。
先介绍一下,
superagent(http://visionmedia.github.io/superagent/ ) 是个 http 方面的库,可以发起 get 或 post 请求。
cheerio(https://github.com/cheeriojs/cheerio ) 大家可以理解成一个 Node.js 版的 jquery,用来从网页中以 css selector 取数据,使用方式跟 jquery 一样一样的。
还记得我们怎么新建一个项目吗?
- 新建一个文件夹,进去之后
npm init
- 安装依赖
npm install --save PACKAGE_NAME
- 写应用逻辑
// 引入依赖
var express = require('express');
var cheerio = require('cheerio');
var superagent = require('superagent')
// 建立 express 实例
var app = express();
//核心逻辑
app.get('/', function (req, res, next) {
// 用 superagent 去抓取 https://cnodejs.org/ 的内容
superagent.get('https://cnodejs.org/')
.end(function (err, sres) {
// 常规的错误处理
if (err) {
return next(err);
}
// sres.text 里面存储着网页的 html 内容,将它传给 cheerio.load 之后
// 就可以得到一个实现了 jquery 接口的变量,我们习惯性地将它命名为 `$`
// 剩下就都是 jquery 的内容了
var $ = cheerio.load(sres.text);
var items = [];
$('#topic_list .topic_title').each(function (idx, element) {
var $element = $(element);
items.push({
title: $element.attr('title'),
href: $element.attr('href'),
author: $element.attr('author')
});
});
res.send(items);
});
});
//监听端口
app.listen(3000, function (req, res) {
console.log('app is running at port 3000');
});