今天來學習alsotang的爬蟲教程,跟著把CNode簡單地爬一遍。
建立項目craelr-demo
我們首先建立一個Express項目,然後將app.js的文件內容全部刪除,因為我們暫時不需要在Web端展示內容。當然我們也可以在空文件夾下直接 npm install express
來使用我們需要的Express功能。
目標網站分析
如圖,這是CNode首頁一部分div標簽,我們就是通過這一系列的id、class來定位我們需要的信息。
使用superagent獲取源數據
superagent就是ajax API來使用的Http庫,它的使用方法與jQuery差不多,我們通過它發起get請求,在回調函數中輸出結果。
代碼如下:
var express = require('express');
var url = require('url'); //解析操作url
var superagent = require('superagent'); //這三個外部依賴不要忘記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結果為一個包含目標url信息的對象,網站內容主要在其text(string)裡。
使用cheerio解析
cheerio充當服務器端的jQuery功能,我們先使用它的.load()來載入HTML,再通過CSS selector來篩選元素。
代碼如下:
var $ = cheerio.load(res.text);
//通過CSS selector來篩選數據
$('#topic_list .topic_title').each(function (idx, element) {
console.log(element);
});
其結果為一個個對象,調用 .each(function(index, element))
函數來遍歷每一個對象,返回的是HTML DOM Elements。
輸出 console.log($element.attr('title'));
的結果為 廣州 2014年12月06日 NodeParty 之 UC 場
之類的標題,輸出 console.log($element.attr('href'));
的結果為 /topic/545c395becbcb78265856eb2
之類的url。再用NodeJS1的url.resolve()函數來補全完整的url。
代碼如下:
superagent.get(tUrl)
.end(function (err, res) {
if (err) {
return console.error(err);
}
var topicUrls = [];
var $ = cheerio.load(res.text);
// 獲取首頁所有的鏈接
$('#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);
});
});
使用eventproxy來並發抓取每個主題的內容
教程上展示了深度嵌套(串行)方法和計數器方法的例子,eventproxy就是使用事件(並行)方法來解決這個問題。當所有的抓取完成後,eventproxy接收到事件消息自動幫你調用處理函數。
代碼如下:
//第一步:得到一個 eventproxy 的實例
var ep = new eventproxy();
//第二步:定義監聽事件的回調函數。
//after方法為重復監聽
//params: eventname(String) 事件名,times(Number) 監聽次數, callback 回調函數
ep.after('topic_html', topicUrls.length, function(topics){
// topics 是個數組,包含了 40 次 ep.emit('topic_html', pair) 中的那 40 個 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:確定放出事件消息的
topicUrls.forEach(function (topicUrl) {
superagent.get(topicUrl)
.end(function (err, res) {
console.log('fetch ' + topicUrl + ' successful');
ep.emit('topic_html', [topicUrl, res.text]);
});
});
結果如下
擴展練習(挑戰)
獲取留言用戶名和積分
在文章頁面的源碼找到評論的用戶class名,classname為reply_author。console.log第一個元素 $('.reply_author').get(0)
可以看到,我們需要獲取東西都在這裡頭。
首先,我們先對一篇文章進行抓取,一次性把需要的都得到即可。
代碼如下:
var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
console.log(userHref);
console.log($('.reply_author').get(0).children[0].data);
我們可以通過https://cnodejs.org/user/username
抓取積分信息
代碼如下:
$('.reply_author').each(function (idx, element) {
var $element = $(element);
console.log($element.attr('href'));
});
在用戶信息頁面 $('.big').text().trim()
即為積分信息。
使用cheerio的函數.get(0)為獲取第一個元素。
代碼如下:
var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
console.log(userHref);
這只是對於單個文章的抓取,對於40個還有需要修改的地方。