nodejs爬虫实战（一）：抽屉新热榜

2016-07-04 09:50:00

什么是nodeJs

Node.js 是一个基于 Chrome V8 引擎的 JavaScript 运行环境。Node.js 使用了一个事件驱动、非阻塞式 I/O 的模型，使其轻量又高效。Node.js 的包管理器 npm，是全球最大的开源库生态系统。

开启我们的第一个nodejs项目

首先可以去nodejs官网来下载nodejs并安装http://nodejs.cn/。
安装完成后,通过npm来安装我们的express框架 npm install express --save。

//app.js//引入 `express` 模块var express = require('express');//调用 express 实例并将这个变量赋予 app 变量。var app = express();// app 本身有很多方法，其中包括最常用的 get、post、put/patch、delete，在这里我们调用其中的 get 方法，为我们的 `/` 路径指定一个 handler 函数。// 这个 handler 函数会接收 req 和 res 两个对象，他们分别是请求的 request 和 response。// request 中包含了浏览器传来的各种信息，比如 query 啊，body 啊，headers 啊之类的，都可以通过 req 对象访问到。// res 对象，我们一般不从里面取信息，而是通过它来定制我们向浏览器输出的信息，比如 header 信息，比如想要向浏览器输出的内容。这里我们调用了它的 # send 方法，向浏览器输出一个字符串。app.get('/',function(req,res){  res.send('hello world');})// 定义好我们 app 的行为之后，让它监听本地的 3000 端口。这里的第二个函数是个回调函数，会在 listen 动作成功后执行，我们这里执行了一个命令行输出操作，告诉我们监听动作已完成。app.listen(3000, function () {  console.log('app is listening at port 3000');});

运行 node app.js 并且访问http://localhost:3000/即可看到 hello world

爬虫依赖

所谓工欲善其事必先利其器，完成nodejs爬虫还需要加两个库：
superagent(http://visionmedia.github.io/superagent/ ) 是个 http 方面的库，可以发起 get 或 post 请求。
cheerio(https://github.com/cheeriojs/cheerio ) 大家可以理解成一个 Node.js 版的 jquery，用来从网页中以 css selector 取数据，使用方式跟 jquery 一样一样的。
分别安装npm install superagent --save npm install cheerio --save。

抓取抽屉新热榜数据

先从简单的开始，我们来以抽屉新热榜为例子。访问 http://dig.chouti.com/，通过浏览器的调试器来看抽屉的dom结构，可以看到.part2的类上有用于分享的属性，我们就可以直接通过jquery的语法来读取标题，图片和超链接这几个属性

可以看到新热榜数据都在 id为'content-list'的div中，于是我们展开content-list来继续查看数据

发现有个class为'part2'的div里面有 share

app.js//引入 `express` 模块var express = require('express');//引入 `superagent` 库var superagent = require('superagent');//引入 `cheerio` 库var cheerio = require('cheerio');//调用 express 实例并将这个变量赋予 app 变量。var app = express();// app 本身有很多方法，其中包括最常用的 get、post、put/patch、delete，在这里我们调用其中的 get 方法，为我们的 `/` 路径指定一个 handler 函数。// 这个 handler 函数会接收 req 和 res 两个对象，他们分别是请求的 request 和 response。// request 中包含了浏览器传来的各种信息，比如 query 啊，body 啊，headers 啊之类的，都可以通过 req 对象访问到。// res 对象，我们一般不从里面取信息，而是通过它来定制我们向浏览器输出的信息，比如 header 信息，比如想要向浏览器输出的内容。这里我们调用了它的 # send 方法，向浏览器输出一个字符串。app.get('/', function (req, res, next) {  // 用 superagent 去抓取 http://dig.chouti.com/ 的内容  superagent.get('http://dig.chouti.com/')    .end(function (err, sres) {      // 常规的错误处理      if (err) {        return next(err);      }      // sres.text 里面存储着网页的 html 内容，将它传给 cheerio.load 之后      // 就可以得到一个实现了 jquery 接口的变量，我们习惯性地将它命名为 `$`      // 剩下就都是 jquery 的内容了      var $ = cheerio.load(sres.text);      var items = [];      $('# content-list .part2').each(function (idx, element) {        var $element = $(element);        items.push({          title: $element.attr('share-title'),          href: $element.attr('href'),          img: $element.attr('share-pic')        });      });      res.send(items);    });});// 定义好我们 app 的行为之后，让它监听本地的 3000 端口。这里的第二个函数是个回调函数，会在 listen 动作成功后执行，我们这里执行了一个命令行输出操作，告诉我们监听动作已完成。app.listen(3000, function () {  console.log('app is listening at port 3000');});

运行 node app.js 访问: http://localhost:3000/，可以看到抓取的数据直接以json格式显示出来了。

关键字：nodejs爬虫, express, cheerio, APP

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击举报进行投诉反馈！