nodejs爬虫与php爬虫,nodejs爬虫初试superagent和cheerio

@H_403_0@

前言

@H_403_0@　　早就听过爬虫，这几天开始学习nodejs，写了个爬虫，爬取 博客园首页的文章标题、用户名、阅读数、推荐数和用户头像，现做个小总结。

使用到这几个点：

1、node的核心模块--

@H_403_0@　　2、用于http请求的第三方模块 -- 3、用于解析DOM的第三方模块 --

@H_403_0@　　几个模块详细的讲解及API请到各个链接查阅，demo中只有简单的用法。

@H_403_0@

准备工作

@H_403_0@　　使用npm管理依赖，依赖信息会存放在package.json中

@H_403_0@　　引入所需要用到的功能模块

@H_403_0@

请求 + 解析页面

@H_403_0@　　想要爬到博客园首页的内容，首先要请求首页地址，拿到返回的html，这里使用superagent进行http请求，基本的使用方法如下：

@H_403_0@　　向指定的url发起get请求，请求错误时，会有error返回(没有错误时，error为null或undefined)，res为返回的数据。

@H_403_0@　　拿到html内容后，要拿到我们想要的数据，这个时候就需要用cheerio解析DOM了，cheerio要先load目标html，然后再进行解析，API和jquery的API非常类似，熟悉jquery上手非常快。直接看代码实例

{

if(error){ //请求出错，打印错误，返回

console.log(error)

return;

}

// cheerio需要先load html

let $ = cheerio.load(res.text);

//抓取需要的数据,each为cheerio提供的方法用来遍历

$('#post_list .post_item').each( (index,element) => {

//分析所需要的数据的DOM结构

//通过选择器定位到目标元素，再获取到数据

let temp = {

'标题' : $(element).find('h3 a').text(),'作者' : $(element).find('.post_item_foot > a').text(),'阅读数' : +$(element).find('.article_view a').text().slice(3,-2),'推荐数' : +$(element).find('.diggnum').text()

}

//拼接数据

content += JSON.stringify(temp) + '\n';

//同样的方式获取图片地址

if($(element).find('img.pfs').length > 0){

imgs.push($(element).find('img.pfs').attr('src'));

}

});

//存放数据

mkdir('./content',saveContent);

mkdir('./imgs',downloadImg);

})

@H_403_0@

存储数据

@H_403_0@　　上面解析DOM之后，已经拼接了所需要的信息内容，也拿到了图片的URL，现在就进行存储，把内容存放到指定目录的txt文件中，而且下载图片到指定目录

@H_403_0@　　先创建目录，使用nodejs核心的文件系统

{

if(error){

return console.log(`创建${_path}目录失败`);

}

console.log(`创建${_path}目录成功`)

})

}

callback(); //没有生成指定目录不会执行

}

@H_403_0@　　有了指定目录之后，可以写入数据了，txt文件的内容已经有了，直接写入就可以了使用writeFile()

文字内容存入txt文件中

function saveContent() {

fs.writeFile('./content/content.txt',content.toString());

}

@H_403_0@　　取到了图片的链接，所以需要再使用superagent下载图片，存在本地。superagent可以直接返回一个响应流，再配合nodejs的管道，直接把图片内容写到本地

{

//获取图片名

let imgName = imgUrl.split('/').pop();

//下载图片存放到指定目录

let stream = fs.createWriteStream(`./imgs/${imgName}`);

let req = request.get('https:' + imgUrl); //响应流

req.pipe(stream);

console.log(`开始下载图片 https:${imgUrl} --> ./imgs/${imgName}`);

} )

}

@H_403_0@效果

@H_403_0@　　执行下demo，看下效果，数据已经正常爬下来了

@H_403_0@　　非常简单的一个demo，可能也没有那么严谨，不过总是走出了node的第一小步。

@H_403_0@

总结

@H_403_0@以上所述是小编给大家介绍的nodejs爬虫初试superagent和cheerio。编程之家 jb51.cc 收集整理的教程希望能对你有所帮助，如果觉得编程之家不错，可分享给好友！感谢支持。

总结

如果觉得编程之家网站内容还不错，欢迎将编程之家网站推荐给程序员好友。

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。