node实现的爬虫功能示例


            本文实例讲述了node实现的爬虫功能。分享给大家供大家参考，具体如下：

node是服务器端的语言，所以可以像python一样对网站进行爬取，下面就使用node对博客园进行爬取，得到其中所有的章节信息。

第一步： 建立crawl文件，然后npm init。

第二步： 建立crawl.js文件，一个简单的爬取整个页面的代码如下所示：





var http = require("http");

var url = "http://www.cnblogs.com";

http.get(url, function (res) {

  var html = "";

  res.on("data", function (data) {

    html += data;

  });

  res.on("end", function () {

    console.log(html);

  });

}).on("error", function () {

  console.log("获取课程结果错误！");

});







即引入http模块，然后利用http对象的get请求，即一旦运行，相当于node服务器端发送了一个get请求请求这个页面，然后通过res返回，其中on绑定data事件用来不断地接受数据，最后end时我们就在后台打印出来。

这只是整个页面的一部分，我们可以在此页面审查元素，发现确实是一样的

我们只需要将其中的章节title和每一小节的信息爬到即可。

第三步： 引入cheerio模块，如下：（在gitbash中安装即可，cmd总是出问题）





cnpm install cheerio --save-dev







这个模块的引入，就是为了方便我们操作dom，就像jQuery一样。

第四步： 操作dom，获取有用信息。





var http = require("http");

var cheerio = require("cheerio");

var url = "http://www.cnblogs.com";

function filterData(html) {

  var $ = cheerio.load(html); 

  var items = $(".post_item");

  var result = [];

  items.each(function (item) {

    var tit = $(this).find(".titlelnk").text();

    var aut = $(this).find(".lightblue").text();

    var one = {

      title: tit,

      author: aut

    };

    result.push(one);

  });

  return result;

}

function printInfos(allInfos) {

  allInfos.forEach(function (item) {

    console.log("文章题目 " + item["title"] + '\n' + "文章作者 " + item["author"] + '\n'+ '\n');

  });

}

http.get(url, function (res) {

  var html = "";

  res.on("data", function (data) {

    html += data;

  });

  res.on("end", function (data) {

    var allInfos = filterData(html);

    printInfos(allInfos);

  });

}).on("error", function () {

  console.log("爬取博客园首页失败")

});







即上面的过程就是在爬取博客的题目和作者。

最终后台输出如下：



这和博客园首页的内容是一致的：



希望本文所述对大家nodejs程序设计有所帮助。