这篇文章主要介绍了node实现的爬虫功能,结合实例形式分析了nodejs实现爬虫功能的步骤与相关操作技巧,需要的朋友可以参考下
本文实例讲述了node实现的爬虫功能。分享给大家供大家参考，具体如下：
node是服务器端的语言，所以可以像python一样对网站进行爬取，下面就使用node对博客园进行爬取，得到其中所有的章节信息。
第一步： 建立crawl文件，然后npm init。
第二步： 建立crawl.js文件，一个简单的爬取整个页面的代码如下所示：
var http = require("http");
var url = "http://www.cnblogs.com";
http.get(url, function (res) {
var html = "";
res.on("data", function (data) {
html += data;
});
res.on("end", function () {
console.log(html);
});
}).on("error", function () {
console.log("获取课程结果错误！");
});
即引入http模块，然后利用http对象的get请求，即一旦运行，相当于node服务器端发送了一个get请求请求这个页面，然后通过res返回，其中on绑定data事件用来不断地接受数据，最后end时我们就在后台打印出来。
这只是整个页面的一部分，我们可以在此页面审查元素，发现确实是一样的
我们只需要将其中的章节title和每一小节的信息爬到即可。
第三步： 引入cheerio模块，如下：（在gitbash中安装即可，cmd总是出问题）
cnpm install cheerio --save-dev
这个模块的引入，就是为了方便我们操作dom，就像jQuery一样。
第四步： 操作dom，获取有用信息。
var http = require("http");
var cheerio = require("cheerio");
var url = "http://www.cnblogs.com";
function filterData(html) {
var $ = cheerio.load(html);
var items = $(".post_item");
var result = [];
items.each(function (item) {
var tit = $(this).find(".titlelnk").text();
var aut = $(this).find(".lightblue").text();
var one = {
title: tit,
author: aut
};
result.push(one);
});
return result;
}
function printInfos(allInfos) {
allInfos.forEach(function (item) {
console.log("文章题目 " + item["title"] + '\n' + "文章作者 " + item["author"] + '\n'+ '\n');
});
}
http.get(url, function (res) {
var html = "";
res.on("data", function (data) {
html += data;
});
res.on("end", function (data) {
var allInfos = filterData(html);
printInfos(allInfos);
});
}).on("error", function () {
console.log("爬取博客园首页失败")
});
即上面的过程就是在爬取博客的题目和作者。
最终后台输出如下：
这和博客园首页的内容是一致的：
相关推荐：
