基于nodeJS爬虫

最新开始学nodeJS(前端的高大上)
先说说中间需要用到的第三方依赖吧
直接贴代码:

const http = require('http')
const fs = require('fs')
const cheerio = require('cheerio')
const iconv = require('iconv-lite')
let request = require('request');

##FS NODEJS文件系统

fs.appendFile('message.txt', 'data to append', (err) => {
	if (err) throw err;
		console.log('The "data to append" was appended to file!');
});
等等这里只列出一个,具体的请去参考官网API:http://nodejs.cn/api/fs.html#

#

##cheerio为服务器特别定制的,快速、灵活、实施的jQuery核心实现

var cheerio = require('cheerio'),
    $ = cheerio.load('<h2>Hello world</h2>');
	let htmls = $('h2').html();
	console.log(htmls)
	//=> Hello there!

#

## iconv-lite 为防止当前访问网页文件乱码而出现的,通过buffer字符流来进行转化进行相应的转换字符编码

    iconv.decode(Buffer.Concat(html),'gb2312');

## 下面为源代码


//引入模块
const http = require('http')
const fs = require('fs')
const cheerio = require('cheerio')
const iconv = require('iconv-lite')
let request = require('request');

const zzxxxc = [
    'http://www.88dushu.com/xiaoshuo/69/69252/'
];

// http://www.biquge.cm/8/8726/
let bookLists = [];
let bookName = '';
let m = 0;
hrefs();

/**
 * 初始化存储章节
 */
function hrefs() {
    if (m < zzxxxc.length) {
        http.get(zzxxxc[m], res => {
            const html = []
            res.on('data', (chunk) => {
                html.push(chunk)
            })
            res.on('end', () => {
                const html1 = iconv.decode(Buffer.concat(html), 'gb2312');
                const $ = cheerio.load(html1);
                var ddsli = {};
                let result = $('.mulu').find('li');
                bookName = $('.rt h1').text();

                let key = ''; // 用于存储书名
                result.each((i, elem) => {
                    let $hrefTag = $(elem).find('a') || false;
                    if ($hrefTag) {
                        $hrefTag.each((i, elem) => {
                            let bookCharInfo = {};
                            if ($(elem).text().trim() !== '插图') {
                                bookCharInfo.charName = $(elem).text().trim();
                                bookCharInfo.charUrl = zzxxxc[m] + $(elem).attr('href');
                                bookLists.push(bookCharInfo);
                            }
                        });
                    }
                });
                m++;
                txtWord()
            });
        })

    } else {
        return '';
    }
}
let i = 0;
/**
 * 循环查询页面存储
 */
function txtWord() {
    let hrefUrls = bookLists[i].charUrl;
    request({
        url: hrefUrls,
        headers: {
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36',
        },
        encoding: null
    }, function(error, response, body) {
        if (response && response.statusCode == 200) {
            // 获取数据完毕后,使用iconv-lite转码,decedo中为Buffer对象,Buffer.concat为数组
            const html1 = iconv.decode(body, 'gb2312');
            const $ = cheerio.load(html1);
            var ddsli = {}; // 处理数据
            var bokname = $('.novel h1').text() + '.'.replace(/./g, '\n');
            var contentTxt = $('.yd_text2').text().trim().replace(/\s/g, "").replace(/。/g, '。\n') + '.'.replace(/./g, '\r\n');
            fs.appendFile('./' + bookName + '.txt', (bokname + contentTxt), function(err) {
                if (err) {} else {
                    if (i < bookLists.length - 1) {
                        i++;
                        console.log('开始下载==>' + bokname.replace(/[\r\n]/g, ""));
                        txtWord();
                    } else {
                        console.log('下载完成,进入下一本');
                        hrefs();
                    }
                }
            });
        } else {
            txtWord();
        }
    });
}
/**
 * 剔除空格
 * @param {*字符串} str 
 */
function trim(str) {
    return str.replace(/(^\s*)|(\s*$)/g, '').replace(/ /g, '')
}

如有转载:请提供出处谢谢


  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值