Node.js 实现简易爬虫

为什么选择利用node来写爬虫呢？就是因为cheerio这个库，全兼容jQuery语法，熟悉的话用起来真真是爽

依赖选择

• cheerio： Node.js 版的jQuery
• http：封装了一个HTPP服务器和一个简易的HTTP客户端
• iconv-lite：解决爬取gb2312网页出现乱码

初步实现

既然是要爬取网站内容，那我们就应该先去看看网站的基本构成
选取的是电影天堂作为目标网站，想要去爬取所有最新电影的下载链接

分析页面

页面结构如下：

我们可以看到每个电影的标题都在一个class为ulink的a标签下，再往上定位，我们可以看到最外部的盒子class为co_content8

ok，可以开工了

获取一页电影标题

首先引入依赖，并设定需要爬取的url

var cheerio = require( 'cheerio'); var http = require( 'http'); var iconv = require( 'iconv-lite'); var url = 'http://www.ygdy8.net/html/gndy/dyzz/index.html';

核心代码 index.js

http.get(url, function(sres) { var chunks = []; sres.on( 'data', function(chunk) { chunks.push(chunk); }); // chunks里面存储着网页的 html 内容，将它zhuan ma传给 cheerio.load 之后 // 就可以得到一个实现了 jQuery 接口的变量，将它命名为 `$` // 剩下就都是 jQuery 的内容了 sres.on( 'end', function() { var titles = []; //由于咱们发现此网页的编码格式为gb2312，所以需要对其进行转码，否则乱码 //依据：“<meta http-equiv= "Content-Type" content= "text/html; charset=gb2312">” var html = iconv.decode(Buffer.concat(chunks), 'gb2312'); var $ = cheerio.load(html, {decodeEntities: false}); $( '.co_content8 .ulink').each( function (idx, element) { var $element = $(element); titles.push({ title: $element.text() }) }) console.log(titles); }); });

运行node index

结果如下

成功获取电影title，那如果我想获取多个页面的title呢，总不可能一个一个url去改吧。这当然有办法，请往下看！

获取多页电影标题

我们只要将之前的代码封装成一个函数并递归执行就完成了

核心代码 index.js

var index = 1; //页面数控制 var url = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_'; var titles = []; //用于保存title function getTitle(url, i) { console.log( "正在获取第" + i + "页的内容"); http.get(url + i + '.html', function(sres) { var chunks = []; sres.on( 'data', function(chunk) { chunks.push(chunk); }); sres.on( 'end', function() { var html = iconv.decode(Buffer.concat(chunks), 'gb2312'); var $ = cheerio.load(html, { decodeEntities: false}); $( '.co_content8 .ulink').each(function (idx, element) { var $element = $(element); titles.push({ title: $element.text() }) }) if(i < 2) { //为了方便只爬了两页 getTitle(url, ++index); //递归执行，页数+ 1 } else { console.log(titles); console.log( "Title获取完毕！"); } }); }); } function main() { console.log( "开始爬取"); getTitle(url, index); } main(); //运行主函数

结果如下

获取电影下载连接

如果是人工操作，我们需要一次操作，通过点击进入电影详情页才能找到下载地址
那我们通过node如何来实现呢

常规先来分析页面布局

我们如果想要准确定位到下载链接，需要先找到id为Zoom的div，下载链接就在这个div下的tr下的a标签内。

那我们就再定义一个函数，用于获取下载链接

getBtLink()

function getBtLink(urls, n) { //urls里面包含着所有详情页的地址 console.log( "正在获取第" + n + "个url的内容"); http.get( 'http://www.ygdy8.net' + urls[n].title, function(sres) { var chunks = []; sres.on( 'data', function(chunk) { chunks.push(chunk); }); sres.on( 'end', function() { var html = iconv.decode(Buffer.concat(chunks), 'gb2312'); //进行转码 var $ = cheerio.load(html, {decodeEntities: false}); $( '#Zoom td').children( 'a').each( function (idx, element) { var $element = $(element); btLink.push({ bt: $element.attr( 'href') }) }) if(n < urls.length - 1) { getBtLink(urls, ++count); /／递归 } else { console.log( "btlink获取完毕！"); console.log(btLink); } }); }); }

再次运行 node index

就这样我们将3个页面内所有电影的下载链接获取完毕，是不是很简单？

保存数据

我们讲这些数据爬取出来当然是要进行保存的啊，在这里我选用了MongoDB来对其进行保存处理

数据保存函数 save()

function save() { var MongoClient = require( 'mongodb').MongoClient; //导入依赖 MongoClient.connect(mongo_url, function (err, db) { if (err) { console.error(err); return; } else { console.log( "成功连接数据库"); var collection = db.collection( 'node-reptitle'); collection.insertMany(btLink, function (err,result) { //插入数据 if (err) { console.error(err); } else { console.log( "保存数据成功"); } }) db.close(); } }); }

这里的操作很简单，就没必要上mongoose啦
再次运行 node index

这个Node.js实现的爬虫就是这样了，祝大家能爬到自己想要的数据；）

最后附上源码地址：https://github.com/HuangXiZhou/node-reptitle

个人建了前端学习群，旨在一起学习前端。纯净、纯粹技术讨论，非前端人员勿扰！入群加我微信：iamaixiaoxiao。