nodejs爬虫初试superagent和cheerio


Posted in NodeJs onMarch 05, 2018

前言

早就听过爬虫,这几天开始学习nodejs,写了个爬虫https://github.com/leichangchun/node-crawlers/tree/master/superagent_cheerio_demo,爬取 博客园首页的文章标题、用户名、阅读数、推荐数和用户头像,现做个小总结。

使用到这几个点:

1、node的核心模块-- 文件系统

2、用于http请求的第三方模块 -- superagent

3、用于解析DOM的第三方模块 -- cheerio

几个模块详细的讲解及API请到各个链接查阅,demo中只有简单的用法。

准备工作

使用npm管理依赖,依赖信息会存放在package.json中

//安装用到的第三方模块
cnpm install --save superagent cheerio

引入所需要用到的功能模块

//引入第三方模块,superagent用于http请求,cheerio用于解析DOM
const request = require('superagent');
const cheerio = require('cheerio');
const fs = require('fs');

请求 + 解析页面

想要爬到博客园首页的内容,首先要请求首页地址,拿到返回的html,这里使用superagent进行http请求,基本的使用方法如下:

request.get(url)
      .end(error,res){
      //do something     
}

向指定的url发起get请求,请求错误时,会有error返回(没有错误时,error为null或undefined),res为返回的数据。

拿到html内容后,要拿到我们想要的数据,这个时候就需要用cheerio解析DOM了,cheerio要先load目标html,然后再进行解析,API和jquery的API非常类似,熟悉jquery上手非常快。直接看代码实例

//目标链接 博客园首页
let targetUrl = 'https://www.cnblogs.com/';
//用来暂时保存解析到的内容和图片地址数据
let content = '';
let imgs = [];
//发起请求
request.get(targetUrl)
    .end( (error,res) => {
      if(error){ //请求出错,打印错误,返回
        console.log(error)
        return;
      }
      // cheerio需要先load html
      let $ = cheerio.load(res.text);
      //抓取需要的数据,each为cheerio提供的方法用来遍历
      $('#post_list .post_item').each( (index,element) => {
        //分析所需要的数据的DOM结构
        //通过选择器定位到目标元素,再获取到数据
        let temp = {
          '标题' : $(element).find('h3 a').text(),
          '作者' : $(element).find('.post_item_foot > a').text(),
          '阅读数' : +$(element).find('.article_view a').text().slice(3,-2),
          '推荐数' : +$(element).find('.diggnum').text()
        }
        //拼接数据
        content += JSON.stringify(temp) + '\n';
        //同样的方式获取图片地址
        if($(element).find('img.pfs').length > 0){
          imgs.push($(element).find('img.pfs').attr('src'));
        }
      });
      //存放数据
      mkdir('./content',saveContent);
      mkdir('./imgs',downloadImg);
    })

存储数据

上面解析DOM之后,已经拼接了所需要的信息内容,也拿到了图片的URL,现在就进行存储,把内容存放到指定目录的txt文件中,而且下载图片到指定目录

先创建目录,使用nodejs核心的文件系统

//创建目录
function mkdir(_path,callback){
  if(fs.existsSync(_path)){
    console.log(`${_path}目录已存在`)
  }else{
    fs.mkdir(_path,(error)=>{
      if(error){
        return console.log(`创建${_path}目录失败`);
      }
      console.log(`创建${_path}目录成功`)
    })
  }
  callback(); //没有生成指定目录不会执行
}

有了指定目录之后,可以写入数据了,txt文件的内容已经有了,直接写入就可以了使用writeFile()

//将文字内容存入txt文件中
function saveContent() {
  fs.writeFile('./content/content.txt',content.toString());
}

取到了图片的链接,所以需要再使用superagent下载图片,存在本地。superagent可以直接返回一个响应流,再配合nodejs的管道,直接把图片内容写到本地

//下载爬到的图片
function downloadImg() {
  imgs.forEach((imgUrl,index) => {
    //获取图片名 
    let imgName = imgUrl.split('/').pop();

    //下载图片存放到指定目录
    let stream = fs.createWriteStream(`./imgs/${imgName}`);
    let req = request.get('https:' + imgUrl); //响应流
    req.pipe(stream);
    console.log(`开始下载图片 https:${imgUrl} --> ./imgs/${imgName}`);     
  } )
}

效果

执行下demo,看下效果,数据已经正常爬下来了

nodejs爬虫初试superagent和cheerio

 

非常简单的一个demo,可能也没有那么严谨,不过总是走出了node的第一小步。

总结

以上所述是小编给大家介绍的nodejs爬虫初试superagent和cheerio,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对三水点靠木网站的支持!

NodeJs 相关文章推荐
在NodeJS中启用ECMAScript 6小结(windos以及Linux)
Jul 15 NodeJs
Nodejs极简入门教程(三):进程
Oct 27 NodeJs
Nodejs实现批量下载妹纸图
May 28 NodeJs
Nodejs爬虫进阶教程之异步并发控制
Feb 15 NodeJs
解析NodeJs的调试方法
Dec 11 NodeJs
Nodejs高扩展性的模板引擎 functmpl简介
Feb 13 NodeJs
nodejs处理图片的中间件node-images详解
May 08 NodeJs
Express+Nodejs 下的登录拦截实现代码
Jul 01 NodeJs
nodejs简单读写excel内容的方法示例
Mar 16 NodeJs
解决nodejs的npm命令无反应的问题
May 17 NodeJs
nodejs之koa2请求示例(GET,POST)
Aug 07 NodeJs
用Nodejs实现在终端中炒股的实现
Oct 18 NodeJs
Nodejs模块载入运行原理
Feb 23 #NodeJs
Nodejs下使用gm圆形裁剪并合成图片的示例
Feb 22 #NodeJs
nodejs微信扫码支付功能实现
Feb 17 #NodeJs
nodejs+express搭建多人聊天室步骤
Feb 12 #NodeJs
nodeJs实现基于连接池连接mysql的方法示例
Feb 10 #NodeJs
NodeJS简单实现WebSocket功能示例
Feb 10 #NodeJs
nodejs使用redis作为缓存介质实现的封装缓存类示例
Feb 07 #NodeJs
You might like
咖啡机如何保养和日常清洁?
2021/03/03 冲泡冲煮
一步一步学习PHP(4) php 函数 补充2
2010/02/15 PHP
常用的PHP数据库操作方法(MYSQL版)
2011/06/08 PHP
php 广告调用类代码(支持Flash调用)
2011/08/11 PHP
laravel安装和配置教程
2014/10/29 PHP
PHP实现图片的等比缩放和Logo水印功能示例
2017/05/04 PHP
laravel 创建命令行命令的图文教程
2019/10/23 PHP
VSCode+PHPstudy配置PHP开发环境的步骤详解
2020/08/20 PHP
javaScript - 如何引入js代码
2021/03/09 Javascript
使用js+jquery实现无限极联动
2013/05/23 Javascript
jquery在项目中做复选框时遇到的一些问题笔记
2013/11/17 Javascript
JS实现侧边栏鼠标经过弹出框+缓冲效果
2017/03/29 Javascript
Vue单页及多页应用全局配置404页面实践记录
2018/05/22 Javascript
详解javascript设计模式三:代理模式
2019/03/25 Javascript
vue中的inject学习教程
2019/04/24 Javascript
Ajax获取node服务器数据的完整步骤
2020/09/20 Javascript
Vue router传递参数并解决刷新页面参数丢失问题
2020/12/02 Vue.js
Python MD5文件生成码
2009/01/12 Python
python3.6使用pymysql连接Mysql数据库
2018/05/25 Python
详解flask入门模板引擎
2018/07/18 Python
PyQT5 QTableView显示绑定数据的实例详解
2019/06/25 Python
Python之time模块的时间戳,时间字符串格式化与转换方法(13位时间戳)
2019/08/12 Python
Python turtle库的画笔控制说明
2020/06/28 Python
汽车装潢店创业计划书范文
2014/02/05 职场文书
公开服务承诺制度
2014/03/26 职场文书
学雷锋演讲稿汇总
2014/05/10 职场文书
经贸日语专业自荐信
2014/09/02 职场文书
党的群众路线教育实践活动个人整改措施
2014/10/27 职场文书
综治维稳工作汇报
2014/10/27 职场文书
《改造我们的学习》心得体会
2014/11/07 职场文书
2014年英语工作总结
2014/12/20 职场文书
父亲节寄语大全
2015/02/27 职场文书
任命书格式模板
2015/09/22 职场文书
Pytest之测试命名规则的使用
2021/04/16 Python
带你了解CSS基础知识,样式
2021/07/21 HTML / CSS
python实现双向链表原理
2022/05/25 Python