手把手教你用Node.js爬虫爬取网站数据的方法


            开始之前请先确保自己安装了Node.js环境，还没有安装的的童鞋请看一下安装教程......

http://www.zwyuanma.com/article/113677.htm

http://www.zwyuanma.com/article/57687.htm

直接开始吧

1.在项目文件夹安装两个必须的依赖包







npm install superagent --save-dev



SuperAgent(官网是这样解释的)



-----SuperAgent is light-weight progressive ajax API crafted for flexibility, readability, and a low learning curve after being frustrated with many of the existing request APIs. It also works with Node.js!



-----superagent 是一个轻量的,渐进式的ajax api,可读性好,学习曲线低,内部依赖nodejs原生的请求api,适用于nodejs环境下





npm install cheerio --save-dev



Cheerio



-----cheerio是nodejs的抓取页面模块，为服务器特别定制的，快速、灵活、实施的jQuery核心实现。适合各种Web爬虫程序。相当于node.js中的jQuery



2.新建  crawler.js  文件





//导入依赖包

const http    = require("http");

const path    = require("path");

const url    = require("url");

const fs     = require("fs");

 

const superagent = require("superagent");

const cheerio  = require("cheerio");

3.看注释啦(这里爬取的是boss直聘网站的数据)

superagent

  .get("http://www.zhipin.com/job_detail/?city=100010000&source=10&query=%E5%89%8D%E7%AB%AF")

  .end((error,response)=>{

    //获取页面文档数据

    var content = response.text;

    //cheerio也就是nodejs下的jQuery 将整个文档包装成一个集合，定义一个变量$接收

    var $ = cheerio.load(content);

    //定义一个空数组，用来接收数据

    var result=[];

    //分析文档结构 先获取每个li 再遍历里面的内容(此时每个li里面就存放着我们想要获取的数据)

    $(".job-list li .job-primary").each((index,value)=>{

      //地址和类型为一行显示，需要用到字符串截取

      //地址

      let address=$(value).find(".info-primary").children().eq(1).html();

      //类型

      let type=$(value).find(".info-company p").html();

      //解码

      address=unescape(address.replace(/&#x/g,'%u').replace(/;/g,''));

      type=unescape(type.replace(/&#x/g,'%u').replace(/;/g,''))

      //字符串截取

      let addressArr=address.split('<em class="vline"></em>');

      let typeArr=type.split('<em class="vline"></em>');

      //将获取的数据以对象的形式添加到数组中

      result.push({

        title:$(value).find(".name .job-title").text(),

        money:$(value).find(".name .red").text(),

        address:addressArr,

        company:$(value).find(".info-company a").text(),

        type:typeArr,

        position:$(value).find(".info-publis .name").text(),

        txImg:$(value).find(".info-publis img").attr("src"),

        time:$(value).find(".info-publis p").text()

      });

      // console.log(typeof $(value).find(".info-primary").children().eq(1).html());

    });

    //将数组转换成字符串

    result=JSON.stringify(result);

    //将数组输出到json文件里 刷新目录 即可看到当前文件夹多出一个boss.json文件(打开boss.json文件，ctrl+A全选之后 ctrl+K，再Ctrl+F即可将json文件自动排版)

    fs.writeFile("boss.json",result,"utf-8",(error)=>{

      //监听错误，如正常输出，则打印null

      if(error==null){

        console.log("恭喜您，数据爬取成功!请打开json文件，先Ctrl+A，再Ctrl+K,最后Ctrl+F格式化后查看json文件(仅限Visual Studio Code编辑器)");

      }

    });

  });





以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持中文源码网。