nodejs爬虫初试superagent和cheerio

前言

　　早就听过爬虫，这几天开始学习nodejs，写了个爬虫，爬取 博客园首页的文章标题、用户名、阅读数、推荐数和用户头像，现做个小总结。

　　使用到这几个点：

　　1、node的核心模块--

　　2、用于http请求的第三方模块 --

　　3、用于解析DOM的第三方模块 --

　　几个模块详细的讲解及API请到各个链接查阅，demo中只有简单的用法。

准备工作

　　使用npm管理依赖，依赖信息会存放在package.json中

rush:js;"> //安装用到的第三方模块 cnpm install --save superagent cheerio

　　引入所需要用到的功能模块

rush:js;"> //引入第三方模块，superagent用于http请求，cheerio用于解析DOM const request = require('superagent'); const cheerio = require('cheerio'); const fs = require('fs');

请求 + 解析页面

　　想要爬到博客园首页的内容，首先要请求首页地址，拿到返回的html，这里使用superagent进行http请求，基本的使用方法如下：

rush:js;"> request.get(url) .end(error,res){ //do something }

　　向指定的url发起get请求，请求错误时，会有error返回（没有错误时，error为null或undefined），res为返回的数据。

　　拿到html内容后，要拿到我们想要的数据，这个时候就需要用cheerio解析DOM了，cheerio要先load目标html，然后再进行解析，API和jquery的API非常类似，熟悉jquery上手非常快。直接看代码实例

{ if(error){ //请求出错，打印错误，返回 console.log(error) return; } // cheerio需要先load html let $ = cheerio.load(res.text); //抓取需要的数据,each为cheerio提供的方法用来遍历 $('#post_list .post_item').each( (index,element) => { //分析所需要的数据的DOM结构 //通过选择器定位到目标元素，再获取到数据 let temp = { '标题' : $(element).find('h3 a').text(),'作者' : $(element).find('.post_item_foot > a').text(),'阅读数' : +$(element).find('.article_view a').text().slice(3,-2),'推荐数' : +$(element).find('.diggnum').text() } //拼接数据 content += JSON.stringify(temp) + '\n'; //同样的方式获取图片地址 if($(element).find('img.pfs').length > 0){ imgs.push($(element).find('img.pfs').attr('src')); } }); //存放数据 mkdir('./content',saveContent); mkdir('./imgs',downloadImg); })

存储数据

　　上面解析DOM之后，已经拼接了所需要的信息内容，也拿到了图片的URL，现在就进行存储，把内容存放到指定目录的txt文件中，而且下载图片到指定目录

　　先创建目录，使用nodejs核心的文件系统

{ if(error){ return console.log(`创建${_path}目录失败`); } console.log(`创建${_path}目录成功`) }) } callback(); //没有生成指定目录不会执行 }

　　有了指定目录之后，可以写入数据了，txt文件的内容已经有了，直接写入就可以了使用writeFile()

rush:js;"> //将文字内容存入txt文件中 function saveContent() { fs.writeFile('./content/content.txt',content.toString()); }

　　取到了图片的链接，所以需要再使用superagent下载图片，存在本地。superagent可以直接返回一个响应流，再配合nodejs的管道，直接把图片内容写到本地

{ //获取图片名 let imgName = imgurl.split('/').pop();

//下载<a href="https://www.jb51.cc/tag/tupiancunfang/" target="_blank" class="keywords">图片存放</a>到指定目录
let stream = fs.createWriteStream(`./imgs/${imgName}`);
let req = request.get('https:' + <a href="https://www.jb51.cc/tag/imgur/" target="_blank" class="keywords">imgur</a>l); //响应流
req.pipe(stream);
console.log(`开始下载<a href="https://www.jb51.cc/tag/tupian/" target="_blank" class="keywords">图片</a> https:${<a href="https://www.jb51.cc/tag/imgur/" target="_blank" class="keywords">imgur</a>l} --> ./imgs/${imgName}`);     

} )
}

效果　　

　　执行下demo，看下效果，数据已经正常爬下来了

　　非常简单的一个demo，可能也没有那么严谨，不过总是走出了node的第一小步。

总结

以上所述是小编给大家介绍的nodejs爬虫初试superagent和cheerio。编程之家 jb51.cc 收集整理的教程希望能对你有所帮助，如果觉得编程之家不错，可分享给好友！感谢支持。

原文地址：https://www.jb51.cc/nodejs/33384.html