为什么选择利用node来写爬虫呢？就是因为cheerio这个库，全兼容jquery语法，熟悉的话用起来真真是爽
依赖选择
cheerio： Node.js 版的jQuery
http：封装了一个HTPP服务器和一个简易的HTTP客户端
iconv-lite：解决爬取gb2312网页出现乱码
初步实现
既然是要爬取网站内容，那我们就应该先去看看网站的基本构成
选取的是电影天堂作为目标网站，想要去爬取所有最新电影的下载链接
分析页面
页面结构如下：
我们可以看到每个电影的标题都在一个class为ulink的a标签下，再往上定位，我们可以看到最外部的盒子class为co_content8
ok，可以开工了
获取一页电影标题
首先引入依赖，并设定需要爬取的url
var cheerio = require('cheerio');
var http = require('http');
var iconv = require('iconv-lite');
var url = 'http://www.ygdy8.net/html/gndy/dyzz/index.html';核心代码 index.js
mallcloud商城基于SpringBoot2.x、SpringCloud和SpringCloudAlibaba并采用前后端分离vue的企业级微服务敏捷开发系统架构。并引入组件化的思想实现高内聚低耦合，项目代码简洁注释丰富上手容易，适合学习和企业中使用。真正实现了基于RBAC、jwt和oauth2的无状态统一权限认证的解决方案，面向互联网设计同时适合B端和C端用户，支持CI/CD多环境部署，并提
http.get(url, function(sres) {
var chunks = [];
sres.on('data', function(chunk) {
chunks.push(chunk);
});
// chunks里面存储着网页的 html 内容，将它zhuan ma传给 cheerio.load 之后
// 就可以得到一个实现了 jQuery 接口的变量，将它命名为 `$`
// 剩下就都是 jQuery 的内容了
sres.on('end', function() {
var titles = [];
//由于咱们发现此网页的编码格式为gb2312，所以需要对其进行转码，否则乱码
//依据：“”
var html = iconv.decode(Buffer.concat(chunks), 'gb2312');
var $ = cheerio.load(html, {decodeEntities: false});
$('.co_content8 .ulink').each(function (idx, element) {
var $element = $(element);
titles.push({
title: $element.text()
})
})
console.log(titles);
});
});运行node index
结果如下
成功获取电影title，那如果我想获取多个页面的title呢，总不可能一个一个url去改吧。这当然有办法，请往下看！
获取多页电影标题
核心代码 index.js
var index = 1; //页面数控制
var url = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_';
var titles = []; //用于保存title
function getTitle(url, i) {
console.log("正在获取第" + i + "页的内容");
http.get(url + i + '.html', function(sres) {
var chunks = [];
sres.on('data', function(chunk) {
chunks.push(chunk);
});
sres.on('end', function() {
var html = iconv.decode(Buffer.concat(chunks), 'gb2312');
var $ = cheerio.load(html, {decodeEntities: false});
$('.co_content8 .ulink').each(function (idx, element) {
var $element = $(element);
titles.push({
title: $element.text()
})
})
if(i < 2) { //为了方便只爬了两页
getTitle(url, ++index); //递归执行，页数+1
} else {
console.log(titles);
console.log("Title获取完毕！");
}
});
});
}
function main() {
console.log("开始爬取");
getTitle(url, index);
}
main(); //运行主函数结果如下
获取电影下载连接
如果是人工操作，我们需要一次操作，通过点击进入电影详情页才能找到下载地址
那我们通过node如何来实现呢
常规先来分析页面布局
我们如果想要准确定位到下载链接，需要先找到id为Zoom的p，下载链接就在这个p下的tr下的a标签内。
那我们就再定义一个函数，用于获取下载链接
getBtLink()
function getBtLink(urls, n) { //urls里面包含着所有详情页的地址
console.log("正在获取第" + n + "个url的内容");
http.get('http://www.ygdy8.net' + urls[n].title, function(sres) {
var chunks = [];
sres.on('data', function(chunk) {
chunks.push(chunk);
});
sres.on('end', function() {
var html = iconv.decode(Buffer.concat(chunks), 'gb2312'); //进行转码
var $ = cheerio.load(html, {decodeEntities: false});
$('#Zoom td').children('a').each(function (idx, element) {
var $element = $(element);
btLink.push({
bt: $element.attr('href')
})
})
if(n < urls.length - 1) {
getBtLink(urls, ++count); /／递归
} else {
console.log("btlink获取完毕！");
console.log(btLink);
}
});
});
}再次运行 node index
就这样我们将3个页面内所有电影的下载链接获取完毕，是不是很简单？
保存数据
我们讲这些数据爬取出来当然是要进行保存的啊，在这里我选用了MongoDB来对其进行保存处理
数据保存函数 save()
function save() {
var MongoClient = require('mongodb').MongoClient; //导入依赖
MongoClient.connect(mongo_url, function (err, db) {
if (err) {
console.error(err);
return;
} else {
console.log("成功连接数据库");
var collection = db.collection('node-reptitle');
collection.insertMany(btLink, function (err,result) { //插入数据
if (err) {
console.error(err);
} else {
console.log("保存数据成功");
}
})
db.close();
}
});
}这里的操作很简单，就没必要上mongoose啦
再次运行 node index
这个Node.js实现的爬虫就是这样了，祝大家能爬到自己想要的数据；）
