欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

NodeJS制作爬蟲全過程

 更新時間:2014年12月22日 11:04:43   投稿:hebedich  
這篇文章主要介紹了NodeJS制作爬蟲的全過程,包括項(xiàng)目建立,目標(biāo)網(wǎng)站分析、使用superagent獲取源數(shù)據(jù)、使用cheerio解析、使用eventproxy來并發(fā)抓取每個主題的內(nèi)容等方面,有需要的小伙伴參考下吧。

今天來學(xué)習(xí)alsotang的爬蟲教程,跟著把CNode簡單地爬一遍。

建立項(xiàng)目craelr-demo
我們首先建立一個Express項(xiàng)目,然后將app.js的文件內(nèi)容全部刪除,因?yàn)槲覀儠簳r不需要在Web端展示內(nèi)容。當(dāng)然我們也可以在空文件夾下直接 npm install express來使用我們需要的Express功能。

目標(biāo)網(wǎng)站分析
如圖,這是CNode首頁一部分div標(biāo)簽,我們就是通過這一系列的id、class來定位我們需要的信息。

使用superagent獲取源數(shù)據(jù)

superagent就是ajax API來使用的Http庫,它的使用方法與jQuery差不多,我們通過它發(fā)起get請求,在回調(diào)函數(shù)中輸出結(jié)果。

復(fù)制代碼 代碼如下:

var express = require('express');
var url = require('url'); //解析操作url
var superagent = require('superagent'); //這三個外部依賴不要忘記npm install
var cheerio = require('cheerio');
var eventproxy = require('eventproxy');
var targetUrl = 'https://cnodejs.org/';
superagent.get(targetUrl)
    .end(function (err, res) {
        console.log(res);
    });

它的res結(jié)果為一個包含目標(biāo)url信息的對象,網(wǎng)站內(nèi)容主要在其text(string)里。

使用cheerio解析

cheerio充當(dāng)服務(wù)器端的jQuery功能,我們先使用它的.load()來載入HTML,再通過CSS selector來篩選元素。

復(fù)制代碼 代碼如下:

var $ = cheerio.load(res.text);
//通過CSS selector來篩選數(shù)據(jù)
$('#topic_list .topic_title').each(function (idx, element) {
    console.log(element);
});

其結(jié)果為一個個對象,調(diào)用 .each(function(index, element))函數(shù)來遍歷每一個對象,返回的是HTML DOM Elements。

輸出 console.log($element.attr('title'));的結(jié)果為 廣州 2014年12月06日 NodeParty 之 UC 場
之類的標(biāo)題,輸出 console.log($element.attr('href'));的結(jié)果為 /topic/545c395becbcb78265856eb2之類的url。再用NodeJS1的url.resolve()函數(shù)來補(bǔ)全完整的url。

復(fù)制代碼 代碼如下:

superagent.get(tUrl)
    .end(function (err, res) {
        if (err) {
            return console.error(err);
        }
        var topicUrls = [];
        var $ = cheerio.load(res.text);
        // 獲取首頁所有的鏈接
        $('#topic_list .topic_title').each(function (idx, element) {
            var $element = $(element);
            var href = url.resolve(tUrl, $element.attr('href'));
            console.log(href);
            //topicUrls.push(href);
        });
    });

使用eventproxy來并發(fā)抓取每個主題的內(nèi)容
教程上展示了深度嵌套(串行)方法和計數(shù)器方法的例子,eventproxy就是使用事件(并行)方法來解決這個問題。當(dāng)所有的抓取完成后,eventproxy接收到事件消息自動幫你調(diào)用處理函數(shù)。

復(fù)制代碼 代碼如下:

//第一步:得到一個 eventproxy 的實(shí)例
var ep = new eventproxy();
//第二步:定義監(jiān)聽事件的回調(diào)函數(shù)。
//after方法為重復(fù)監(jiān)聽
//params: eventname(String) 事件名,times(Number) 監(jiān)聽次數(shù), callback 回調(diào)函數(shù)
ep.after('topic_html', topicUrls.length, function(topics){
    // topics 是個數(shù)組,包含了 40 次 ep.emit('topic_html', pair) 中的那 40 個 pair
    //.map
    topics = topics.map(function(topicPair){
        //use cheerio
        var topicUrl = topicPair[0];
        var topicHtml = topicPair[1];
        var $ = cheerio.load(topicHtml);
        return ({
            title: $('.topic_full_title').text().trim(),
            href: topicUrl,
            comment1: $('.reply_content').eq(0).text().trim()
        });
    });
    //outcome
    console.log('outcome:');
    console.log(topics);
});
//第三步:確定放出事件消息的
topicUrls.forEach(function (topicUrl) {
    superagent.get(topicUrl)
        .end(function (err, res) {
            console.log('fetch ' + topicUrl + ' successful');
            ep.emit('topic_html', [topicUrl, res.text]);
        });
});

結(jié)果如下

擴(kuò)展練習(xí)(挑戰(zhàn))

獲取留言用戶名和積分

在文章頁面的源碼找到評論的用戶class名,classname為reply_author。console.log第一個元素 $('.reply_author').get(0)可以看到,我們需要獲取東西都在這里頭。

首先,我們先對一篇文章進(jìn)行抓取,一次性把需要的都得到即可。

復(fù)制代碼 代碼如下:

var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
console.log(userHref);
console.log($('.reply_author').get(0).children[0].data);

我們可以通過https://cnodejs.org/user/username抓取積分信息

復(fù)制代碼 代碼如下:

$('.reply_author').each(function (idx, element) {
var $element = $(element);
console.log($element.attr('href'));
});

在用戶信息頁面 $('.big').text().trim()即為積分信息。

使用cheerio的函數(shù).get(0)為獲取第一個元素。

復(fù)制代碼 代碼如下:

var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
console.log(userHref);

這只是對于單個文章的抓取,對于40個還有需要修改的地方。

相關(guān)文章

  • node.js中的path.sep方法使用說明

    node.js中的path.sep方法使用說明

    這篇文章主要介紹了node.js中的path.sep方法使用說明,本文介紹了path.sep的方法說明、語法、使用實(shí)例,需要的朋友可以參考下
    2014-12-12
  • node.js ws模塊搭建websocket服務(wù)端的方法示例

    node.js ws模塊搭建websocket服務(wù)端的方法示例

    這篇文章主要介紹了node.js ws模塊搭建websocket服務(wù)端的方法示例,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2019-04-04
  • node.js如何充分利用多核cpu

    node.js如何充分利用多核cpu

    這篇文章主要介紹了node.js如何充分利用多核cpu,想了解node.js的同學(xué),可以參考下
    2021-04-04
  • 使用Node.js的async和await進(jìn)行異步編程

    使用Node.js的async和await進(jìn)行異步編程

    使用異步編程可以提高Node.js應(yīng)用程序的性能,而async和await是Node.js中實(shí)現(xiàn)異步編程的一種簡單且易于使用的方式,可以幫助開發(fā)者避免回調(diào)地獄和處理異步操作時的錯誤
    2023-05-05
  • 詳解Nodejs 通過 fs.createWriteStream 保存文件

    詳解Nodejs 通過 fs.createWriteStream 保存文件

    本篇文章主要介紹了Nodejs 通過 fs.createWriteStream 保存文件,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2017-10-10
  • Node.js使用officecrypto-tool實(shí)現(xiàn)讀取加密的Excel和Word文檔

    Node.js使用officecrypto-tool實(shí)現(xiàn)讀取加密的Excel和Word文檔

    這篇文章主要為大家詳細(xì)介紹了Node.js如何使用officecrypto-tool實(shí)現(xiàn)讀取加密的Excel和Word文檔的功能,感興趣的小伙伴可以跟隨小編一起了解一下
    2023-09-09
  • 手動下載Chrome并解決puppeteer無法使用問題

    手動下載Chrome并解決puppeteer無法使用問題

    本篇文章主要介紹了手動下載Chrome并解決puppeteer無法使用問題,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2018-11-11
  • Node.js中的HTTP?Server對象與GET、POST請求

    Node.js中的HTTP?Server對象與GET、POST請求

    這篇文章介紹了Node.js中的HTTP?Server對象與GET、POST請求,文中通過示例代碼介紹的非常詳細(xì)。對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2022-07-07
  • Node.js fs模塊原理及常見用途

    Node.js fs模塊原理及常見用途

    這篇文章主要介紹了Node.js fs模塊原理及常見用途,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下
    2020-10-10
  • NodeJS實(shí)現(xiàn)圖片文本分割

    NodeJS實(shí)現(xiàn)圖片文本分割

    這篇文章主要為大家詳細(xì)介紹了NodeJS實(shí)現(xiàn)圖片文本分割,文中示例代碼介紹的非常詳細(xì),具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2021-09-09

最新評論