node.js做一個簡單的爬蟲案例教程

更新時間：2021年07月23日 09:21:19 作者：[Object object]

這篇文章主要介紹了node.js做一個簡單的爬蟲案例教程,本篇文章通過簡要的案例,講解了該項技術的了解與使用,以下就是詳細內容,需要的朋友可以參考下

準備工作

首先，你需要下載 nodejs，這個應該沒啥問題吧
原文要求下載 webstrom，我電腦上本來就有，但其實不用下載，完全在命令行里面操作就行

創(chuàng)建工程

準備工作做完了，下面就開始創(chuàng)建工程了

首先，在你想要放資源的地方創(chuàng)建文件夾，比如我在 E 盤里面創(chuàng)建了一個 myStudyNodejs 的文件夾
在命令行里面進入你創(chuàng)建的文件夾如圖
進入 e 盤：E：
進入文件夾：cd myStudyNodejs（你創(chuàng)建的文件夾的名字）
注意全是英文符號
初始化項目，在你創(chuàng)建的文件夾下面運行 npm init 初始化項目
一路回車，最后輸個 yes 就行
運行完以后，會在文件夾里面生成一個 package.json 的文件，里面包含了項目的一些基本信息。
安裝所需要的包
在所創(chuàng)建的文件夾的目錄下運行
npm install cheerio –save
npm install request -save
爬武大的話，這兩個包就夠了，如果想爬草榴需要額外的轉換編碼的包，windows 上面是
npm install iconv-lite -save
Mac 上面是 npm install iconv -save
運行結果應該第二幅圖這樣，中間手滑少寫了個字母
創(chuàng)建文件
在你所創(chuàng)建的文件夾下面創(chuàng)建一個 data 文件夾用于保存爬到的文本數(shù)據(jù)。
創(chuàng)建一個 image 文件夾用于保存圖片數(shù)據(jù)。
創(chuàng)建一個 js 文件用來寫程序。比如 study.js。（創(chuàng)建一個記事本文件將 .txt 改為 .js）
說明 –save 的目的是將項目對該包的依賴寫入到 package.json 文件中。

武大計算機學院新聞爬蟲代碼

下面就是武大計算機學院新聞的爬蟲代碼了，復制到創(chuàng)建的 .js 文件中，保存。

var http = require('http');
var fs = require('fs');
var cheerio = require('cheerio');
var request = require('request');
var i = 0;
//初始url 
var url = "http://cs.whu.edu.cn/a/xinwendongtaifabu/2018/0428/7053.html"; 

function fetchPage(x) {     //封裝了一層函數(shù)
  startRequest(x); 
}

function startRequest(x) {
     //采用http模塊向服務器發(fā)起一次get請求      
     http.get(x, function (res) {     
        var html = '';        //用來存儲請求網(wǎng)頁的整個html內容
        var titles = [];    
        res.setEncoding('utf-8'); //防止中文亂碼
     //監(jiān)聽data事件，每次取一塊數(shù)據(jù)
     res.on('data', function (chunk) {   
	      html += chunk;
	 });
     //監(jiān)聽end事件，如果整個網(wǎng)頁內容的html都獲取完畢，就執(zhí)行回調函數(shù)
     res.on('end', function () {
         var $ = cheerio.load(html); //采用cheerio模塊解析html
         var news_item = {
          //獲取文章的標題
          title: $('div#container dt').text().trim(),
          i: i = i + 1,     
       };

	  console.log(news_item);     //打印新聞信息
	  var news_title = $('div#container dt').text().trim();
	  savedContent($,news_title);  //存儲每篇文章的內容及文章標題
	  savedImg($,news_title);    //存儲每篇文章的圖片及圖片標題
       //下一篇文章的url
       var nextLink="http://cs.whu.edu.cn" + $("dd.Paging a").attr('href');
       str1 = nextLink.split('-');  //去除掉url后面的中文
       str = encodeURI(str1[0]);  
       //這是亮點之一，通過控制I,可以控制爬取多少篇文章.武大只有8篇，所以設置為8
       if (i <= 8) {                
          fetchPage(str);
       }
	});
}).on('error', function (err) {
      console.log(err);
    });
 }
//該函數(shù)的作用：在本地存儲所爬取的新聞內容資源
function savedContent($, news_title) {
	$('dd.info').each(function (index, item) {
		var x = $(this).text();       
		var y = x.substring(0, 2).trim();
		if (y == '') {
			x = x + '\n';   
			//將新聞文本內容一段一段添加到/data文件夾下，并用新聞的標題來命名文件
			fs.appendFile('./data/' + news_title + '.txt', x, 'utf-8', function (err) {
				if (err) {
				console.log(err);
				}
			});
		}	
	})
}       
//該函數(shù)的作用：在本地存儲所爬取到的圖片資源
function savedImg($,news_title) {
  $('dd.info img').each(function (index, item) {
        var img_title = $(this).parent().next().text().trim();  //獲取圖片的標題
        if(img_title.length>35||img_title==""){
         	img_title="Null";
        }
        var img_filename = img_title + '.jpg';
        var img_src = 'http://cs.whu.edu.cn' + $(this).attr('src'); //獲取圖片的url

		//采用request模塊，向服務器發(fā)起一次請求，獲取圖片資源
		request.head(img_src,function(err,res,body){
		  if(err){
		    console.log(err);
		  }
		});
		request(img_src).pipe(fs.createWriteStream('./image/'+news_title + '---' + img_filename));     //通過流的方式，把圖片寫到本地/image目錄下，并用新聞的標題和圖片的標題作為圖片的名稱。
	})
}

fetchPage(url);      //主程序開始運行

下面就是激動人心的時刻了，在當前文件夾下面，運行創(chuàng)建的 js 文件，比如我的是 news.js。

npm news.js

文本資源：

圖片資源：

草榴技術討論區(qū)爬蟲

爬完武大的新聞并不過癮，于是嘗試了一波爬草榴的技術討論區(qū)（當然也能爬一些你懂的）。其中遇到了一些問題。
爬草榴的時候，發(fā)送 http 請求報文頭里面需要包含 User-Agent 字段，于是需要把初始url 做如下改變

var url = {
	hostname: 'cl.5fy.xyz',
	path: '/thread0806.php?fid=7',
	headers: {
		'Content-Type': 'text/html',
  	//沒有這個字段的話訪問不了
  	'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36',  
  }};

其次，nodejs 只支持抓取 utf-8 字符編碼的網(wǎng)站，所以需要安裝額外的包來轉換編碼，所以修改代碼如下

/*
* @Author: user
* @Date:   2018-04-28 19:34:50
* @Last Modified by:   user
* @Last Modified time: 2018-04-30 21:35:26
*/
var http = require('http');
var fs = require('fs');
var cheerio = require('cheerio');
var request = require('request');
var iconv=require('iconv-lite');
var i = 0;
  //用來判斷存儲還是訪問
  var temp=0;
  let startPage=3;//從哪一頁開始爬
  let page=startPage;
  let endPage=5;//爬到哪一頁
  let searchText='';//爬取的關鍵字，默認全部爬取，根據(jù)自己需要
  //初始url 
  var url = {
  hostname: '1024liuyouba.tk',
  path: '/thread0806.php?fid=16'+'&search=&page='+startPage,
  headers: {
    'Content-Type': 'text/html',
    //沒有這個字段的話訪問不了
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36',  
  }};
//存儲首頁url
urlList=[];
//封裝了一層函數(shù)
function fetchPage(x) { 
  setTimeout(function(){  
    startRequest(x); },5000)
}
//首先存儲要訪問界面的url
function getUrl(x){
  temp++;
  http.get(x,function(res){
    var html = ''; 
    res.setEncoding('binary');
    res.on('data', function (chunk) {   
      html += chunk;
    });
    res.on('end', function () {
      var buf=new Buffer(html,'binary');
      var str=iconv.decode(buf,'GBK');
          var $ = cheerio.load(str); //采用cheerio模塊解析html                
          $('tr.tr3 td.tal h3 a').each(function(){
            var search=$(this).text();
            if(search.indexOf(searchText)>=0){
            var nextLink="http://cl.5fy.xyz/" + $(this).attr('href');
            str1 = nextLink.split('-');  //去除掉url后面的中文
            str = encodeURI(str1[0]); 
            urlList.push(str); }
          })
          page++;
          if(page<endPage){
            //存儲下一頁url
            x.path='/thread0806.php?fid=16'+'&search=&page='+page,
            getUrl(x);
          }else if(urlList.length!=0){
            fetchPage(urlList.shift());
          }else{
            console.log('未查詢到關鍵字！');
          }
        })
  }).on('error', function (err) {
    console.log(err);
  });

}
function startRequest(x) {
  if(temp===0){
    getUrl(x);     
  }   
  else{
     //采用http模塊向服務器發(fā)起一次get請求      
     http.get(x, function (res) {     
        var html = '';        //用來存儲請求網(wǎng)頁的整個html內容
        res.setEncoding('binary');
        var titles = [];        
	     //監(jiān)聽data事件，每次取一塊數(shù)據(jù)
	    res.on('data', function (chunk) {   
	      html += chunk;
	    });
	     //監(jiān)聽end事件，如果整個網(wǎng)頁內容的html都獲取完畢，就執(zhí)行回調函數(shù)
	    res.on('end', function () {
	    	var buf=new Buffer(html,'binary');
	    	var str=iconv.decode(buf,'GBK');
	        var $ = cheerio.load(str); //采用cheerio模塊解析html
	        var news_item = {
	          	//獲取文章的標題
	        	title: $('h4').text().trim(),
	        	//i是用來判斷獲取了多少篇文章
	        	i: i = i + 1,     
	      	};
	    console.log(news_item);     //打印信息
	  	var news_title = $('h4').text().trim();
		
	  	savedContent($,news_title);  //存儲每篇文章的內容及文章標題
		
	  	savedImg($,news_title);    //存儲每篇文章的圖片及圖片標題
		
	  	//如果沒訪問完繼續(xù)訪問
	  	if (urlList.length!=0 ) {
	    	fetchPage(urlList.shift());
	  	}
	});
}).on('error', function (err) {
    console.log(err);
  });
 }
}
       //該函數(shù)的作用：在本地存儲所爬取的文本內容資源
function savedContent($, news_title) {
	$("div.t2[style] .tpc_content.do_not_catch").each(function (index, item) {
          var x = $(this).text();       
          x = x + '\n';   
		  //將新聞文本內容一段一段添加到/data文件夾下，并用新聞的標題來命名文件
		  fs.appendFile('./data/' + news_title + '.txt', x, 'utf-8', function (err) {
			  if (err) {
			    console.log(err);
			  }
		  });
		})
 }
//該函數(shù)的作用：在本地存儲所爬取到的圖片資源
function savedImg($,news_title) {
  //創(chuàng)建文件夾
    fs.mkdir('./image/'+news_title, function (err) {
        if(err){console.log(err)}
      });
  $('.tpc_content.do_not_catch input[src]').each(function (index, item) {
        var img_title = index;//給每張圖片附加一個編號
        var img_filename = img_title + '.jpg';
        var img_src = $(this).attr('src'); //獲取圖片的url
//采用request模塊，向服務器發(fā)起一次請求，獲取圖片資源
request.head(img_src,function(err,res,body){
  if(err){
    console.log(err);
  }
});
setTimeout(function(){
  request({uri: img_src,encoding: 'binary'}, function (error, response, body) {
    if (!error && response.statusCode == 200) {
      fs.writeFile('./image/'+news_title+'/' + img_filename, body, 'binary', function (err) {
        if(err){console.log(err)}
      });
    }
  })
});
})
}
fetchPage(url);      //主程序開始運行

成果展示：

這里寫圖片描述