NodeJS学习:爬虫小探

今天来学习alsotang的爬虫教程,跟着把CNode简单地爬一遍。


  1. 建立项目craelr-demo
    我们首先建立一个Express项目,然后将app.js的文件内容全部删除,因为我们暂时不需要在Web端展示内容。当然我们也可以在空文件夹下直接 npm install express来使用我们需要的Express功能。

  2. 目标网站分析
    如图,这是CNode首页一部分div标签,我们就是通过这一系列的id、class来定位我们需要的信息。

  3. 使用superagent获取源数据
    superagent就是ajax API来使用的Http库,它的使用方法与jQuery差不多,我们通过它发起get请求,在回调函数中输出结果。

    var express = require('express');
    var url = require('url'); //解析操作url
    var superagent = require('superagent'); //这三个外部依赖不要忘记npm install
    var cheerio = require('cheerio');
    var eventproxy = require('eventproxy');
    
    
    var targetUrl = 'https://cnodejs.org/';
    superagent.get(targetUrl)
        .end(function (err, res) {
            console.log(res);
        });
    

    它的res结果为一个包含目标url信息的对象,网站内容主要在其text(string)里。

  4. 使用cheerio解析
    cheerio充当服务器端的jQuery功能,我们先使用它的.load()来载入HTML,再通过CSS selector来筛选元素。

    var $ = cheerio.load(res.text);
    //通过CSS selector来筛选数据
    $('#topic_list .topic_title').each(function (idx, element) {
        console.log(element);
    });
    

    其结果为一个个对象,调用 .each(function(index, element))函数来遍历每一个对象,返回的是HTML DOM Elements。

    试着输出 console.log($element.attr('title'));的结果为 广州 2014年12月06日 NodeParty 之 UC 场 之类的标题,输出 console.log($element.attr('href'));的结果为 /topic/545c395becbcb78265856eb2之类的url。再用NodeJS1的url.resolve()函数来补全完整的url。

    superagent.get(tUrl)
        .end(function (err, res) {
            if (err) {
                return console.error(err);
            }
            var topicUrls = [];
            var $ = cheerio.load(res.text);
            // 获取首页所有的链接
            $('#topic_list .topic_title').each(function (idx, element) {
                var $element = $(element);
                var href = url.resolve(tUrl, $element.attr('href'));
                console.log(href);
                //topicUrls.push(href);
            });
        });
    
  5. 使用eventproxy来并发抓取每个主题的内容
    教程上展示了深度嵌套(串行)方法和计数器方法的例子,eventproxy就是使用事件(并行)方法来解决这个问题。当所有的抓取完成后,eventproxy接收到事件消息自动帮你调用处理函数。

    //第一步:得到一个 eventproxy 的实例
    var ep = new eventproxy();
    
    
    //第二步:定义监听事件的回调函数。
    //after方法为重复监听
    //params: eventname(String) 事件名,times(Number) 监听次数, callback 回调函数
    ep.after('topic_html', topicUrls.length, function(topics){
        // topics 是个数组,包含了 40 次 ep.emit('topic_html', pair) 中的那 40 个 pair
        //.map
        topics = topics.map(function(topicPair){
            //use cheerio
            var topicUrl = topicPair[0];
            var topicHtml = topicPair[1];
            var $ = cheerio.load(topicHtml);
            return ({
                title: $('.topic_full_title').text().trim(),
                href: topicUrl,
                comment1: $('.reply_content').eq(0).text().trim()
            });
        });
        //outcome
        console.log('outcome:');
        console.log(topics);
    });
    
    
    //第三步:确定放出事件消息的
    topicUrls.forEach(function (topicUrl) {
        superagent.get(topicUrl)
            .end(function (err, res) {
                console.log('fetch ' + topicUrl + ' successful');
                ep.emit('topic_html', [topicUrl, res.text]);
            });
    });
    

    结果如下

  6. 扩展练习(挑战)

    • 获取留言用户名和积分

    在文章页面的源码找到评论的用户class名,classname为reply_author。console.log第一个元素 $('.reply_author').get(0)可以看到,我们需要获取东西都在这里头。

    首先,我们先对一篇文章进行抓取,一次性把需要的都得到即可。

    var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
    console.log(userHref);
    console.log($('.reply_author').get(0).children[0].data);
    

    我们可以通过https://cnodejs.org/user/username抓取积分信息

    $('.reply_author').each(function (idx, element) {
           var $element = $(element);
        console.log($element.attr('href'));
    });
    

    在用户信息页面 $('.big').text().trim()即为积分信息。

    使用cheerio的函数.get(0)为获取第一个元素。

    var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
    console.log(userHref);
    

    这只是对于单个文章的抓取,对于40个还有需要修改的地方。未完


Notes:

  1. 爬虫定义
  2. superagent
  3. cheerio
  4. Ajax
  5. jQuery
  6. 30种CSS Selectors
  7. eventproxy