node.js爬取网站数据【dom方式】

---

提醒：示例网站代码已失效[ 应用逻辑有效 ]

示例网站已添加反爬处理,superagent部分仅获取到包含js跳转功能的部分html,非完整页面html;

针对未添加反爬处理的网站，本文逻辑依旧有效

---

第一步：准备工作；

1. 选择目标地址URL；

URL: https://s.weibo.com/top/summary?cate=realtimehot ;

2. 确保 node.js 环境；

node.js下载\安装

3. CMd命令 ：创建项目文件夹 ；

mkdir antd-course
cd antd-course

4. CMd窗口 ：调用 npm init 来初始化 生成 package.json ；

npm init -y  // -y命令代表yes， 省略默认选项点击

5. CMd窗口 : 安装所需依赖包 cheerio 、superagent 及nodejs 中的 fs 文件模块；

npm i cheerio superagent -D

（1）superagent 包 定义：

一个轻量级、渐进式的请求库，内部依赖 nodejs 原生的请求 api,适用于 nodejs 环境；

（1）cheerio 包 定义：

nodejs 的抓取页面模块，为服务器特别定制的，快速、灵活、实施的 jQuery 核心实现；
适合各种 Web 爬虫程序。node.js 版的 jQuery ；

---

第二步： 编写代码；

1. 引入依赖包；

创建test.js文件

const cheerio = require("cheerio");
const superagent = require("superagent");
const fs = require("fs");

2. 声明目标网址的url；

const weiboURL = "https://s.weibo.com";  // 域名
const hotSearchURL = weiboURL + "/top/summary?cate=realtimehot";  // 路径

3. superagent 发送网络请求，下载Demo；

（1）参数：2 个；（请求的 url ，请求成功后的回调函数）；
（2）回调函数参数：2个；（error 【成功，则返回 null，反之则抛出错误】， 成功后的 响应体）；

# hotSearchURL :请求的Url;
# err : 回调函数第一参数[ 成功，则返回 null，反之则抛出错误 ];
# res : 请求的响应体;
superagent.get(hotSearchURL, (err, res) => {
  if (err) console.error(err);
});

4 . 分析目标网站Dom结构，定位所需数据位置；

如图：

5 . 用 cheerio 的 load 方法进行包装请求后的响应体；

【作用】：达成 nodejs 中，可以写 jQuery 语法的效果；

// 包装请求后的响应体 ;
const $ = cheerio.load(res.text);  
let hotList = [];
$("#pl_top_realtimehot table tbody tr").each(function (index) {
 // 拼接数组元素；
  if (index !== 0) {
    const $td = $(this).children().eq(1);
    const link = weiboURL + $td.find("a").attr("href");
    const text = $td.find("a").text();
    const hotValue = $td.find("span").text();
    const icon = $td.find("img").attr("src")
      ? "https:" + $td.find("img").attr("src")
      : "";
      // 元素push进数组；
    hotList.push({
      index,
      link,
      text,
      hotValue,
      icon,
    });
  }
});

6 . 数据写入 json 文件；

fs.writeFileSync(file, data[, options]).

 // node.js文件模块fs;
fs.writeFileSync(
  'qq.json',
  JSON.stringify(hotList),
  "utf-8"
);

---

第三步:执行一次test.js，爬取一次热门列表数据；

node test.js

结果：
打开生成的qq.json文件可见， 爬取成功;

拓展 ： 添加定时任务，定时爬取数据 【基于 node-schedule 包】；

schedule 的git地址.

1 . 安装node-schedule；

npm i node-schedule 

2 . node-schedule代码中的用法；

*    *    *    *    *    *
┬    ┬    ┬    ┬    ┬    ┬
│    │    │    │    │    │
│    │    │    │    │    └ day of week (0 - 7) (0 or 7 is Sun)
│    │    │    │    └───── month (1 - 12)
│    │    │    └────────── day of month (1 - 31)
│    │    └─────────────── hour (0 - 23)
│    └──────────────────── minute (0 - 59)
└───────────────────────── second (0 - 59, OPTIONAL)
// 分割线： 上方为对应使用规则 ；
const nodeSchedule = require("node-schedule");
const rule = "30 * * * * *"; // 30秒刷新一次,输出时间点；
nodeSchedule .scheduleJob(rule, () => {
  console.log(new Date());
});

---

完整版：node.js 定时爬虫抓取数据；

包含知识点：async、await 异步内容；.

const cheerio = require("cheerio");
const superagent = require("superagent");
const fs = require("fs");
const nodeSchedule = require("node-schedule");
const weiboURL = "https://s.weibo.com";
const hotSearchURL = weiboURL + "/top/summary?cate=realtimehot";
// 封装单词抓取数据函数为async 函数，返回Promise对象，；
function getHotSearchList() {
  return new Promise((resolve, reject) => {
    superagent.get(hotSearchURL, (err, res) => {
      if (err) reject("request error");
      const $ = cheerio.load(res.text);
      let hotList = [];
      $("#pl_top_realtimehot table tbody tr").each(function (index) {
        if (index !== 0) {
          const $td = $(this).children().eq(1);
          const link = weiboURL + $td.find("a").attr("href");
          const text = $td.find("a").text();
          const hotValue = $td.find("span").text();
          const icon = $td.find("img").attr("src")
            ? "https:" + $td.find("img").attr("src")
            : "";
          hotList.push({
            index,
            link,
            text,
            hotValue,
            icon,
          });
        }
      });
      hotList.length ? resolve(hotList) : reject("errer");
    });
  });
}
 // 利用node包“ nodeSchedule” 每隔30秒，执行async函数；
nodeSchedule.scheduleJob("30 * * * * *", async function () {
// 捕捉错误
  try {
    const hotList = await getHotSearchList(); // 阻塞代码，直到拿到resolve的值，此处即 hotList；
    await fs.writeFileSync(
      `app.json`,
      JSON.stringify(hotList),
      "utf-8"
    );
  } catch (error) {
    console.error(error);
  }
});