1.前言分析

往常都是利用 Python/.NET 語言實(shí)現(xiàn)爬蟲，然現(xiàn)在作為一名前端開發(fā)人員，自然需要熟練 NodeJS。下面利用 NodeJS 語言實(shí)現(xiàn)一個糗事百科的爬蟲。另外，本文使用的部分代碼是 es6 語法。

實(shí)現(xiàn)該爬蟲所需要的依賴庫如下。

request: 利用 get 或者 post 等方法獲取網(wǎng)頁的源碼。 cheerio: 對網(wǎng)頁源碼進(jìn)行解析，獲取所需數(shù)據(jù)。

本文首先對爬蟲所需依賴庫及其使用進(jìn)行介紹，然后利用這些依賴庫，實(shí)現(xiàn)一個針對糗事百科的網(wǎng)絡(luò)爬蟲。

2. request 庫

request 是一個輕量級的 http 庫，功能十分強(qiáng)大且使用簡單。可以使用它實(shí)現(xiàn) Http 的請求，并且支持 HTTP 認(rèn)證， 自定請求頭等。下面對 request 庫中一部分功能進(jìn)行介紹。

安裝 request 模塊如下：

npm install request

在安裝好 request 后，即可進(jìn)行使用，下面利用 request 請求一下百度的網(wǎng)頁。

const req = require('request');
req('http://www.baidu.com', (error, response, body) => {
 if (!error && response.statusCode == 200) {
 console.log(body)
 }
})

在沒有設(shè)置 options 參數(shù)時(shí)，request 方法默認(rèn)是 get 請求。而我喜歡利用 request 對象的具體方法，使用如下：

req.get({
 url: 'http://www.baidu.com'
},(err, res, body) => {
 if (!err && res.statusCode == 200) {
 console.log(body)
 }
});

然而很多時(shí)候，直接去請求一個網(wǎng)址所獲取的 html 源碼，往往得不到我們需要的信息。一般情況下，需要考慮到請求頭和網(wǎng)頁編碼。

網(wǎng)頁的請求頭網(wǎng)頁的編碼

下面介紹在請求的時(shí)候如何添加網(wǎng)頁請求頭以及設(shè)置正確的編碼。

req.get({
 url : url,
 headers: {
  "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36",
  "Host" : "www.zhihu.com",
  "Upgrade-Insecure-Requests" : "1"
 },
 encoding : 'utf-8'
}, (err, res, body)=>{
 if(!err)
  console.log(body);
})

設(shè)置 options 參數(shù), 添加 headers 屬性即可實(shí)現(xiàn)請求頭的設(shè)置；添加 encoding 屬性即可設(shè)置網(wǎng)頁的編碼。需要注意的是，若 encoding：null ，那么 get 請求所獲取的內(nèi)容則是一個 Buffer 對象，即 body 是一個 Buffer 對象。

上面介紹的功能足矣滿足后面的所需了

3. cheerio 庫

cheerio 是一款服務(wù)器端的 Jquery，以輕、快、簡單易學(xué)等特點(diǎn)被開發(fā)者喜愛。有 Jquery 的基礎(chǔ)后再來學(xué)習(xí) cheerio 庫非常輕松。它能夠快速定位到網(wǎng)頁中的元素，其規(guī)則和 Jquery 定位元素的方法是一樣的；它也能以一種非常方便的形式修改 html 中的元素內(nèi)容，以及獲取它們的數(shù)據(jù)。下面主要針對 cheerio 快速定位網(wǎng)頁中的元素，以及獲取它們的內(nèi)容進(jìn)行介紹。

首先安裝 cheerio 庫

npm install cheerio

下面先給出一段代碼，再對代碼進(jìn)行解釋 cheerio 庫的用法。對博客園首頁進(jìn)行分析，然后提取每一頁中文章的標(biāo)題。

首先對博客園首頁進(jìn)行分析。如下圖：

對 html 源代碼進(jìn)行分析后，首先通過 .post_item 獲取所有標(biāo)題，接著對每一個 .post_item 進(jìn)行分析，使用 a.titlelnk 即可匹配每個標(biāo)題的 a 標(biāo)簽。下面通過代碼進(jìn)行實(shí)現(xiàn)。

const req = require('request');
const cheerio = require('cheerio');

req.get({
 url: 'https://www.cnblogs.com/'
 }, (err, res, body) => {
 if (!err && res.statusCode == 200) {
  let cnblogHtmlStr = body;
  let $ = cheerio.load(cnblogHtmlStr);
  $('.post_item').each((index, ele) => {
  let title = $(ele).find('a.titlelnk');
  let titleText = title.text();
  let titletUrl = title.attr('href');
  console.log(titleText, titletUrl);
  });
 }
 });

當(dāng)然，cheerio 庫也支持鏈?zhǔn)秸{(diào)用，上面的代碼也可改寫成：

let cnblogHtmlStr = body;
let $ = cheerio.load(cnblogHtmlStr);
let titles = $('.post_item').find('a.titlelnk');
titles.each((index, ele) => {
 let titleText = $(ele).text();
 let titletUrl = $(ele).attr('href');
 console.log(titleText, titletUrl);

上面的代碼非常簡單，就不再用文字進(jìn)行贅述了。下面總結(jié)一點(diǎn)自己認(rèn)為比較重要的幾點(diǎn)。

使用 find() 方法獲取的節(jié)點(diǎn)集合 A，若再次以 A 集合中的元素為根節(jié)點(diǎn)定位它的子節(jié)點(diǎn)以及獲取子元素的內(nèi)容與屬性，需對 A 集合中的子元素進(jìn)行 $(A[i]) 包裝，如上面的$(ele) 一樣。在上面代碼中使用 $(ele) ，其實(shí)還可以使用 $(this) 但是由于我使用的是 es6 的箭頭函數(shù)，因此改變了 each 方法中回調(diào)函數(shù)的 this 指針，因此，我使用 $(ele); cheerio 庫也支持鏈?zhǔn)秸{(diào)用，如上面的 $('.post_item').find('a.titlelnk') ，需要注意的是，cheerio 對象 A 調(diào)用方法 find()，如果 A 是一個集合，那么 A 集合中的每一個子元素都調(diào)用 find() 方法，并放回一個結(jié)果結(jié)合。如果 A 調(diào)用 text() ，那么 A 集合中的每一個子元素都調(diào)用 text() 并返回一個字符串，該字符串是所有子元素內(nèi)容的合并（直接合并，沒有分隔符）。

最后在總結(jié)一些我比較常用的方法。

first() last() children([selector]): 該方法和 find 類似，只不過該方法只搜索子節(jié)點(diǎn)，而 find 搜索整個后代節(jié)點(diǎn)。

4. 糗事百科爬蟲

通過上面對 request 和 cheerio 類庫的介紹，下面利用這兩個類庫對糗事百科的頁面進(jìn)行爬取。

1、在項(xiàng)目目錄中，新建 httpHelper.js 文件，通過 url 獲取糗事百科的網(wǎng)頁源碼，代碼如下：

//爬蟲
const req = require('request');

function getHtml(url){
 return new Promise((resolve, reject) => {
  req.get({
   url : url,
   headers: {
    "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36",
    "Referer" : "https://www.qiushibaike.com/"
   },
   encoding : 'utf-8'
  }, (err, res, body)=>{
   if(err) reject(err);
   else resolve(body);
  })
 });
}
exports.getHtml = getHtml;

2、在項(xiàng)目目錄中，新建一個 Splider.js 文件，分析糗事百科的網(wǎng)頁代碼，提取自己需要的信息，并且建立一個邏輯通過更改 url 的 id 來爬取不同頁面的數(shù)據(jù)。

const cheerio = require('cheerio');
const httpHelper = require('./httpHelper');
function getQBJok(htmlStr){
 let $ = cheerio.load(htmlStr);
 let jokList = $('#content-left').children('div');
 let rst = [];
 jokList.each((i, item)=>{
  let node = $(item);
  let titleNode = node.find('h2');
  let title = titleNode ? titleNode.text().trim() : '匿名用戶';
  let content = node.find('.content span').text().trim();
  let likeNumber = node.find('i[class=number]').text().trim();
  rst.push({
   title : title,
   content : content,
   likeNumber : likeNumber
  });
 });
 return rst;
}
async function splider(index = 1){
 let url = `https://www.qiushibaike.com/8hr/page/${index}/`;
 let htmlStr = await httpHelper.getHtml(url);
 let rst = getQBJok(htmlStr);
 return rst;
}
splider(1);

在獲取糗事百科網(wǎng)頁信息的時(shí)候，首先在瀏覽器中對源碼進(jìn)行分析，定位到自己所需要標(biāo)簽，然后提取標(biāo)簽的文本或者屬性值，這樣就完成了網(wǎng)頁的解析。

Splider.js 文件入口是 splider 方法，首先根據(jù)傳入該方法的 index 索引，構(gòu)造糗事百科的 url，接著獲取該 url 的網(wǎng)頁源碼，最后將獲取的源碼傳入 getQBJok 方法，進(jìn)行解析，本文只解析每條文本笑話的作者、內(nèi)容以及喜歡個數(shù)。

直接運(yùn)行 Splider.js 文件，即可爬取第一頁的笑話信息。然后可以更改 splider 方法的參數(shù)，實(shí)現(xiàn)抓取不同頁面的信息。

在上面已有代碼的基礎(chǔ)上，使用 koa 和 vue2.0 搭建一個瀏覽文本的頁面，效果如下：

源碼已上傳到 github 上。下載地址：https://github.com/StartAction/SpliderQB ;

項(xiàng)目運(yùn)行依賴 node v7.6.0 以上， 首先從 Github 上面克隆整個項(xiàng)目。

git clone https://github.com/StartAction/SpliderQB.git

克隆之后，進(jìn)入項(xiàng)目目錄，運(yùn)行下面命令即可。

node app.js

5. 總結(jié)

通過實(shí)現(xiàn)一個完整的爬蟲功能，加深自己對 Node 的理解，且實(shí)現(xiàn)的部分語言都是使用 es6 的語法，讓自己加快對 es6 語法的學(xué)習(xí)進(jìn)度。另外，在這次實(shí)現(xiàn)中，遇到了 Node 的異步控制的知識，本文是采用的是 async 和 await 關(guān)鍵字，也是我最喜歡的一種，然而在 Node 中，實(shí)現(xiàn)異步控制有好幾種方式。關(guān)于具體的方式以及原理，有時(shí)間再進(jìn)行總結(jié)。

最新評論