[分享]用NodeJs做一个小爬虫,附源码！
前言
利用爬虫可以做很多事情，单身汉子们可以用爬虫来收集各种妹子情报，撩妹族们可以用爬虫收集妹子想要的小东西，赚大钱的人可以用来分析微博言论与股票涨跌的关系诸如此类的，简直要上天了。
你们感受一下 点我点我：
蠢蠢欲动
抛开机器学习这种貌似很高大上的数据处理技术，单纯的做一个爬虫获取数据还是非常简单的。对于前段er们来说，生在有nodejs的年代真是不要太幸福了，下面就用nodejs来做一个爬虫吧。
这次我们先拿CSDN来练练手，爬妹子什么的，其实大同小异。要实现的功能就是爬取前端板块的博文，输出作者的信息。
首先是工具的准备，nodejs当然是必须要装好的，我这里用的是目前最新版的6.2.0版本。另外由于我们需要通过各种http请求去爬取内容，所以一个好用的http调试工具也是必需的，这里我推荐是用postman。
搭建环境
根据爬虫需要的功能确定我们要使用的第三方库：
后端服务： express
发出http请求： superagent
控制并发请求：async + eventproxy
分析网页内容：cheerio
相关库的 API 请到对应的 GitHub 项目页上去了解，这里我就不再赘述了，对应的 package.json ：
{
"name": "spider",
"version": "0.0.0",
"description": "learn nodejs on github",
"scripts": {
"start": "node app.js"},
"dependencies": {
"async": "^2.0.0-rc.6","cheerio": "^0.20.0","eventproxy": "^0.3.4","express": "^4.9.5","superagent": "^2.0.0"},
}
写好的 package 记得安装下，这样我们就搭好了开发环境。
爬虫主体
下面按照爬虫需要的功能来一步步写爬虫主体。
后台服务部分
实现的功能是接收前端请求启动爬虫，完成信息爬取之后将信息返回给前端。后台服务部分我这里使用了 express 框架，这里比较简单也可以使用原生的 http 模块。简单框架如下：
var express = require('express');var app = express();app.get('/', function (req, res, next) { // your code here});app.listen(3000, function (req, res) { console.log('app is running at port 3000');});在 get 处理中插入我们的响应代码，包括启动爬虫，结果信息输出等。
文章链接的爬取
这里我们用到的是 superagent 这个库来实现，此库作者是个多产大神，我们这里用到的库基本都是他写的，颤抖吧、少年们！
superagent.get(Url).end(function (err, res) { if (err) { return next(err); } // your code here});Url 为我们请求的地址，使用 get 的方式请求，其实效果跟你用浏览器打开 Url 的效果是一样的，返回来的数据都放在 res 中，对 res 分析就可以得到我们想要的数据了。
数据的处理
这里我们用到的是 cheerio 这个库，他可以让我们以 jQuery 的方式操作返回的数据，实在太贴心了。
// 提取作者博客链接，注意去重var $ = cheerio.load(sres.text);$('.blog_list').each(function (i, e) { var u = $('.user_name', e).attr('href'); if (authorUrls.indexOf(u) === -1) { authorUrls.push(u); }});是不是很熟悉的感觉？ 完全就是 jQuery 的语法呀。
文章作者信息的爬取
这里我们要进入作者主页去爬取相应的消息，跟上一步爬取链接是一样的。
superagent.get(authorUrl) .end(function (err, ssres) { if (err) { callback(err, authorUrl + ' error happened!'); } var $ = cheerio.load(ssres.text); var result = { userId: url.parse(myurl).pathname.substring(1), blogTitle: $("# blog_title a").text(), visitCount: parseInt($('# blog_rank>li').eq(0).text().split(/[:：]/)[1]), score: parseInt($('# blog_rank>li').eq(1).text().split(/[:：]/)[1]), oriCount: parseInt($('# blog_statistics>li').eq(0).text().split(/[:：]/)[1]), copyCount: parseInt($('# blog_statistics>li').eq(1).text().split(/[:：]/)[1]), trsCount: parseInt($('# blog_statistics>li').eq(2).text().split(/[:：]/)[1]), cmtCount: parseInt($('# blog_statistics>li').eq(3).text().split(/[:：]/)[1]) }; callback(null, result); });这里我们是用 callback 返回结果的。
并发的控制
因为我们的请求都是异步的，所以需要执行成功的回调函数中执行下一步操作，在多并发的情况下，就需要一个计数器来判断是否所有并发均已成功执行完。这里用到的是 eventproxy 这个库来替我们管理并发结果。
CSDN上web前端有3页，所以我们要执行 3 次爬取文章链接，用 eventproxy 的写法就是：
var baseUrl = 'http://blog.csdn.net/web/index.html';var pageUrls = [];for (var _i = 1; _i http://localhost:3000 查看结果：可以看到在返回中的body中已经将我们需要的数据返回来了。 至此，我们的小爬虫就完成了，是不是很简单呢？**完整的代码**/ *
- Created by justeptech on 2016/7/11.
*/
var cheerio = require('cheerio');
var superagent = require('superagent');
var async = require('async');
var url = require('url');
var express = require('express');
var app = express();
var eventproxy = require('eventproxy');
var ep = eventproxy();
var baseUrl = 'http://blog.csdn.net/web/index.html';
var pageUrls = [];
for (var _i = 1; _i li').eq(0).text().split(/[:：]/)[1]),
score: parseInt($('# blog_rank>li').eq(1).text().split(/[:：]/)[1]),
oriCount: parseInt($('# blog_statistics>li').eq(0).text().split(/[:：]/)[1]),
copyCount: parseInt($('# blog_statistics>li').eq(1).text().split(/[:：]/)[1]),
trsCount: parseInt($('# blog_statistics>li').eq(2).text().split(/[:：]/)[1]),
cmtCount: parseInt($('# blog_statistics>li').eq(3).text().split(/[:：]/)[1])
};
callback(null, result);
});
}; // 控制最大并发数为5，在结果中取出callback返回来的整个结果数组。 async.mapLimit(authorUrls, 5, function (myurl, callback) { fetchUrl(myurl, callback); }, function (err, result) { console.log('=========== result: ===========\n', result); res.send(result); });});// 获取每页的链接数组，这里不要用emit返回了，因为我们获得的已经是一个数组了。pageUrls.forEach(function (page) { superagent.get(page).end(function (err, sres) { // 常规的错误处理 if (err) { return next(err); } // 提取作者博客链接，注意去重 var $ = cheerio.load(sres.text); $('.blog_list').each(function (i, e) { var u = $('.user_name', e).attr('href'); if (authorUrls.indexOf(u) === -1) { authorUrls.push(u); } }); console.log('get authorUrls successful!\n', authorUrls); ep.emit('get_topic_html', 'get authorUrls successful'); });});});
app.listen(3000, function (req, res) {
console.log('app is running at port 3000');
});
关于Nodejs搭建小爬虫的介绍就到这里了，码字不易，顺手点赞哈！本文源自WeX5论坛，原文链接：http://bbs.wex5.com/forum.php...#node.js、Github#版权声明
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！
