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
跟我学Nodejs(二)--- Node.js事件模块
May 21 NodeJs
Nodejs异步回调的优雅处理方法
Sep 25 NodeJs
轻松创建nodejs服务器(9):实现非阻塞操作
Dec 18 NodeJs
你一定会收藏的Nodejs代码片段
Feb 04 NodeJs
nodejs 中模拟实现 emmiter 自定义事件
Feb 22 NodeJs
nodejs微信公众号支付开发
Sep 19 NodeJs
详解nodejs 文本操作模块-fs模块(三)
Dec 22 NodeJs
Highcharts+NodeJS搭建数据可视化平台示例
Jan 01 NodeJs
详谈Angular路由与Nodejs路由的区别
Mar 05 NodeJs
nodejs服务搭建教程 nodejs访问本地站点文件
Apr 07 NodeJs
nodeJs实现基于连接池连接mysql的方法示例
Feb 10 NodeJs
详解nodejs解压版安装和配置(带有搭建前端项目脚手架)
Dec 06 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
根德YB400的电路分析
2021/03/02 无线电
利用PHP制作简单的内容采集器的原理分析
2008/10/01 PHP
php设计模式 Delegation(委托模式)
2011/06/26 PHP
php使用curl详细解析及问题汇总
2016/08/11 PHP
PHP yii实现model添加默认值的方法(两种方法)
2016/11/10 PHP
PHP全局使用Laravel辅助函数dd
2019/12/26 PHP
学习ExtJS(一) 之基础前提
2009/10/07 Javascript
js实现在同一窗口浏览图片
2014/09/17 Javascript
Js可拖拽放大的层拖动特效实现方法
2015/02/25 Javascript
jQuery中$.extend()用法实例
2015/06/24 Javascript
JavaScript实现网页加载进度条代码超简单
2015/09/21 Javascript
javascript实现简单的on事件绑定
2016/08/23 Javascript
bootstrap响应式工具使用详解
2017/11/29 Javascript
微信小程序实现红包功能(后端PHP实现逻辑)
2018/07/11 Javascript
ES6 Set结构的应用实例分析
2019/06/26 Javascript
jQuery--遍历操作实例小结【后代、同胞及过滤】
2020/05/22 jQuery
VUE页面中通过双击实现复制表格中内容的示例代码
2020/06/11 Javascript
详解JavaScript类型判断的四种方法
2020/10/21 Javascript
python访问纯真IP数据库的代码
2011/05/19 Python
详细解读Python中的__init__()方法
2015/05/02 Python
Python中的time模块与datetime模块用法总结
2016/06/30 Python
详解python实现线程安全的单例模式
2018/03/05 Python
Python数据结构之栈、队列及二叉树定义与用法浅析
2018/12/27 Python
python3.5安装python3-tk详解
2019/04/26 Python
Python中的 sort 和 sorted的用法与区别
2019/08/10 Python
python NumPy ndarray二维数组 按照行列求平均实例
2019/11/26 Python
Python安装tar.gz格式文件方法详解
2020/01/19 Python
pip install 使用国内镜像的方法示例
2020/04/03 Python
python db类用法说明
2020/07/07 Python
python 自定义异常和主动抛出异常(raise)的操作
2020/12/11 Python
火山动力Java笔试题
2014/06/26 面试题
大学生实习自我鉴定
2013/12/11 职场文书
事业单位公务员的职业生涯规划
2014/01/15 职场文书
校长先进事迹材料
2014/02/01 职场文书
关于读书的演讲稿800字
2014/08/27 职场文书
OpenCV实现反阈值二值化
2021/11/17 Java/Android