3

node爬虫

初入前端,刚刚接触node,对于耳闻已久的node爬虫非常神往,所以有了这篇文章,项目代码在文章末尾

需求

抓取天涯论坛重庆地区板块的文章列表信息。

使用工具

  1. node.js
  2. superagent(客户端请求代理模块)
  3. cheerio(为服务器特别定制的,快速、灵活、实施的jQuery核心实现)

安装并使用cheerio,superagent模块

安装
npm install superagent cheerio --save
在项目中引入cheerio,superagent
const superagent = require('superagent')
const cheerio = require('cheerio')
指定需要抓取的域名
const mainUrl = 'http://bbs.tianya.cn'  //天涯论坛主域名
let url = '/list-45-1.shtml'    //重庆区域域名
请求数据
superagent.get(mainUrl + url).end(function (err, res) {
        // 抛错拦截
        if (err) {
            return
            throw Error(err)
        }
        console.log(res)
    }

分析页面结构

对页面内容进行分析,提取对我们需要的内容

以下图片是页面信息

  1. 我们需要的列表在class为mt5的div下。
  2. 整个网页有多个mt5,继续向下找。
  3. 每一栏信息在('.mt5 table tbody tr')下。
  4. 调用cheerio选取('.mt5 table tbody tr')

    let $ = cheerio.load(res.text)
    $('.mt5 table tbody tr').each((index, item)=>{
    //这里是每一项的信息
    })
  5. 找到了信息,下面对找到的信息进行解析

解析数据

找到需要解析的数据,对数据进行解析,保存我们需要的数据
        let $ = cheerio.load(res.text)
        let data = []   //存储抓去到的数据
        $('.mt5 table tbody tr').each((index, item) => {
            let _this = $(item)
            //根据页面判断是否是文章
            if ($(_this.children()[0]).hasClass('td-title')) {
                //对数据进行存储
                let obj
                let title = $(_this.find('.td-title')).find('span').next().text()
                // let text = $(_this.find('a')[0]).text()  //另一种选择器
                let type = $(_this.find('.td-title')).find('.face').attr('title')
                let goto = $(_this.find('.td-title')).find('span').next().attr('href')
                let author = $(_this.children()[1]).text()
                let point = $(_this.children()[2]).text()
                let time = $(_this.children()[3]).text()
                obj = {
                    title: title,
                    type: type,
                    url: mainUrl + goto,
                    author: author,
                    point: point,
                    time: time
                }
                if (obj.title != "") {
                    //判断如果有内容,则推送到data中
                    data.push(obj)
                }
            }
        })

存储数据到本地

此时需要把data中保存的数据存到想要保存的文件中需要用到node的fs模块

1.引入fs模块

const fs = require('fs')

2.存储数据到本地

在根目录下创建data文件夹

    fs.writeFile(__dirname + '/data/articleLists.json', JSON.stringify({
                status: 0,
                data: data
            }), function (err) {
                if (err) {
                    console.log(err)
                } else {
                  console.log("写入文章列表完成")
                }
            })

现在爬虫会把爬到的数据存储到本地了
ok,到这里我们的爬虫已经完成了,接下来我们需要对它进行优化

让爬虫更聪明

现在我们的爬虫只能爬取当前页的信息,我们来改一下,让它也能翻页

分析翻页按钮,天涯论坛的列表也的下一页按钮中有一个a标签,里边的url加上之前我们记录的mainUrl就是下一页的标签。所以,在爬虫爬取完本页的数据后,让爬虫向下一页的链接发一个新的请求就可以继续爬去了。

//单次读取后,找到下一页的链接,继续抓取下一页的数据
        let nextPage = $('.mt5').next().find('.short-pages-2 .links')
        nextPage.children().each((index, item) => {
            if ($(item).text() === '下一页') {
                let url = $(item).attr("href")
                getData(url)    //刚才我们请求数据的方法,命名为这个函数
            }
        })

现在,爬虫读取完当前页数据后就会继续爬取下一页的数据。

完成代码

最后我还增加了一个页码,每一页数据,单独进行记录。下面是完整的代码
const superagent = require('superagent')
const cheerio = require('cheerio')
const fs = require('fs')

const mainUrl = 'http://bbs.tianya.cn'  //天涯论坛主域名
let url = '/list-45-1.shtml'    //重庆区域域名

let index = 1   //记录页码数
//发送请求获取页面资源方法
let getData = (url) => {
    // 使用superagent请求页面数据
    superagent.get(mainUrl + url).end(function (err, res) {
        // 抛错拦截
        if (err) {
            return
            throw Error(err)
        }
        // 请求数据后使用cheerio解析数据
        let $ = cheerio.load(res.text)
        let data = []   //存储抓去到的数据
        $('.mt5 table tbody tr').each((index, item) => {
            let _this = $(item)
            //根据页面判断是否是文章
            if ($(_this.children()[0]).hasClass('td-title')) {
                //对数据进行存储
                let obj
                let title = $(_this.find('.td-title')).find('span').next().text()
                // let text = $(_this.find('a')[0]).text()  //另一种选择器
                let type = $(_this.find('.td-title')).find('.face').attr('title')
                let goto = $(_this.find('.td-title')).find('span').next().attr('href')
                let author = $(_this.children()[1]).text()
                let point = $(_this.children()[2]).text()
                let time = $(_this.children()[3]).text()
                obj = {
                    title: title,
                    type: type,
                    url: mainUrl + goto,
                    author: author,
                    point: point,
                    time: time
                }
                if (obj.title != "") {
                    //判断如果有内容,则推送到data中
                    data.push(obj)
                }
            }
        })
        if (data.length > 0) {  //判断data中是否有内容
            //使用fs模块对data中的数据进行储存,也可以使用数据库进行操作
            fs.writeFile(__dirname + '/data/articleLists' + index + '.json', JSON.stringify({
                status: 0,
                data: data
            }), function (err) {
                if (err) {
                    console.log(err)
                } else {
                    console.log("写入文章列表完成, 当前页码:", index)
                    index++
                }
            })
        }
        //单次读取后,找到下一页的链接,继续抓取下一页的数据
        let nextPage = $('.mt5').next().find('.short-pages-2 .links')
        nextPage.children().each((index, item) => {
            if ($(item).text() === '下一页') {
                let url = $(item).attr("href")
                getData(url)
            }
        })
    })
}
//初次执行数据抓取
getData(url)
好了本次node爬虫快速入门文章到这里就结束了,但是这个爬虫还有很多地方需要完善,以后我会为大家带来更详细的爬虫教程

李诺
20 声望2 粉丝

前端工程师