手把手教你做爬虫---基于NodeJs
前言: 好久没更新博客了,内疚感十足,趁着北京今儿天气格外的蓝,我觉得我得干点什么,于是乎,卷起袖子,整理一下最近做爬虫的那些事儿。
目标:爬取北京大学软件与微电子学院的所有新闻,并将内容及图片存储到本地。
设计思路:经过对北京大学软件与微电子学院的新闻网址http://www.ss.pku.edu.cn/index.php/newscenter/news/内容及网页格式的分析,我发现了这样一个规律:在每篇文章中,都会有下一篇文章url的链接。所以,我的做法是:给定一个初始(最新的)网页的url,如http://www.ss.pku.edu.cn/index.php/newscenter/news/2391,然后进行一次请求,爬取到下一篇文章的url,用新的url再继续请求,递归调用,直到遍历完所有的新闻网页。值得一提的是,我的亮点之一,是可以通过控制一个变量i,来控制爬取文章的数量。
神奇的旅程即将开启 ….
步骤1:正所谓“工欲善其事,必先利其器”
安装包我就无私地贡献出来:“http://pan.baidu.com/s/1i4uQcLZ
1)下载nodejs
2)下载javaScript编辑器webStorm
如果你是个聪明的家伙,你一定能完成这两个安装。如果安装过程中,不幸遇到各种bug,那么请你自行问度娘,安装好了再继续往下看。
步骤2:建立工程
友情提醒:请原谅我对webStorm还不太熟悉,我自己也才刚安装一天,还处于学习阶段,所以在DOS操作吧!cmd进入DOS,感觉还是挺酷的!
1)在DOS下cd 进入到你想要创建项目的路径。
2)mkdir yzx_homework (创建一个yzx_homework文件夹)
3)cd yzx_homework
4) npm init (初始化工程)
此时需要填写一些项目信息,你可以根据情况填写,当然也可以一路回车。
创建完项目后,会生成一个package.json的文件。该文件包含了项目的基本信息。
5)安装第三方包(后面程序会直接调用包的模块)
说明:由于http模块、fs模块都是内置的包,因此不需要额外添加。
这里安装cheerio包,和request包。
在dos中,cd进入spider文件夹,然后
npm install cheerio –save
安装完cheerio包后,继续安装request包, npm install request –save
说明:npm(nodejs package manager),nodejs包管理器;
–save的目的是将项目对该包的依赖写入到package.json文件中。
6)在spider文件夹下
- 创建子文件夹data(用于存放所抓取的新闻文本内容)
- 创建子文件夹image(用于存放所抓取的图片资源)
- 创建一个yzx_spider.js文件
整个项目的目录结构如下图所示:
步骤三:”talk is cheep,show me the code .”
打开yzx_spider.js,并一行一行的敲代码。
你要是个经常“ctrl+c” + “ctrl+v”的家伙,那我就呵呵了!
var http = require('http');
var fs = require('fs');
var cheerio = require('cheerio');
var request = require('request');
var i = 0;
var url = "http://www.ss.pku.edu.cn/index.php/newscenter/news/2391";
//初始url function fetchPage(x) { //封装了一层函数startRequest(x);
}function startRequest(x) {//采用http模块向服务器发起一次get请求 http.get(x, function (res) { var html = ''; //用来存储请求网页的整个html内容var titles = []; res.setEncoding('utf-8'); //防止中文乱码//监听data事件,每次取一块数据res.on('data', function (chunk) { html += chunk;});//监听end事件,如果整个网页内容的html都获取完毕,就执行回调函数res.on('end', function () {var $ = cheerio.load(html); //采用cheerio模块解析htmlvar time = $('.article-info a:first-child').next().text().trim();var news_item = {//获取文章的标题title: $('div.article-title a').text().trim(),//获取文章发布的时间Time: time, //获取当前文章的urllink: "http://www.ss.pku.edu.cn" + $("div.article-title a").attr('href'),//获取供稿单位author: $('[title=供稿]').text().trim(), //i是用来判断获取了多少篇文章i: i = i + 1, };console.log(news_item); //打印新闻信息var news_title = $('div.article-title a').text().trim();savedContent($,news_title); //存储每篇文章的内容及文章标题savedImg($,news_title); //存储每篇文章的图片及图片标题//下一篇文章的urlvar nextLink="http://www.ss.pku.edu.cn" + $("li.next a").attr('href');str1 = nextLink.split('-'); //去除掉url后面的中文str = encodeURI(str1[0]); //这是亮点之一,通过控制I,可以控制爬取多少篇文章.if (i <= 500) { fetchPage(str);}});}).on('error', function (err) {console.log(err);});}//该函数的作用:在本地存储所爬取的新闻内容资源
function savedContent($, news_title) {$('.article-content p').each(function (index, item) {var x = $(this).text(); var y = x.substring(0, 2).trim();if (y == '') {x = x + '\n';
//将新闻文本内容一段一段添加到/data文件夹下,并用新闻的标题来命名文件fs.appendFile('./data/' + news_title + '.txt', x, 'utf-8', function (err) {if (err) {console.log(err);}});}})
}
//该函数的作用:在本地存储所爬取到的图片资源
function savedImg($,news_title) {$('.article-content img').each(function (index, item) {var img_title = $(this).parent().next().text().trim(); //获取图片的标题if(img_title.length>35||img_title==""){img_title="Null";}var img_filename = img_title + '.jpg';var img_src = 'http://www.ss.pku.edu.cn' + $(this).attr('src'); //获取图片的url//采用request模块,向服务器发起一次请求,获取图片资源request.head(img_src,function(err,res,body){if(err){console.log(err);}});request(img_src).pipe(fs.createWriteStream('./image/'+news_title + '---' + img_filename)); //通过流的方式,把图片写到本地/image目录下,并用新闻的标题和图片的标题作为图片的名称。})
}
fetchPage(url); //主程序开始运行
恭喜你,你总算熬出头了!
我依然相信,你是一行一行敲代码的家伙!
运行程序: 见证奇迹的时刻到了!
运行程序:两种方法:
1) 右键yzx_spider.js,打开方式选择webStorm
然后进入webStorm,点击右上角绿色的三角标志,程序便开始运行。
控制台有内容输出,证明你成功了!!!
控制台输出的内容,对应的代码是console.log(news_item),输出了新闻的信息。
2)如果你对webStorm还一头雾水,亦或安装失败,你可以选择在dos下运行。
cd 到你创建工程文件夹yzx_homework下,然后 node yzx_spider.js 程序就跑起来了。
本地存储的资源
1)文本资源:就没刻意保存所有文章的标题了,最后以文章的标题命名.txt文件。
2)文章的具体内容:文章内容按段落处理,且段与段之间空一行。
3)图片资源:
4)图片命名说明:就没刻意保存文章图片的标题了。图片的命名格式为:文章标题+ “—”+图片标题。
如下图所示:图片的标题为“座谈会现场”和“参数队员合影”。
感悟与体会:经过这次NodeJs爬虫项目的学习,我熟悉了整个网页Html元素的布局方式及结构,能够很从容地针对所要爬取的内容,设计相对应的选择器。同时,我也体会到了NodeJs模块化的便捷及魅力。
后记:爬虫项目,其中关键就在于选择器的设计。cheerio包的选择器$,和jQuery选择器规则几乎是一样的。歇一会,如果还有精力,我就总结一下我这两天学习选择器的体会和小小经验。
手把手教你做爬虫---基于NodeJs相关推荐
- 【小白目标检测】手把手教你做视频中的实时目标检测(基于Pelee算法)
手把手教你做视频中的实时目标检测(基于Pelee算法) 0. 先看效果: 1. 算法详解: 2. 下载源码: 3. 运行检测: 有需求的大佬欢迎加入我的接单群,需求详情请群里戳群主 获取源码或数据集: ...
- 小白必看、手把手教你利用爬虫爬网页
接下来从网络爬虫的概念.用处与价值和结构等三个方面,让大家对网络爬虫有一个基本的了解. 网络爬虫及其应用 随着网络的迅速发展,万维网成为大量信息的载体,如何有效地提取并利用这些信息成为一个巨大的挑战, ...
- 炸翻AI和生化环材圈!GPT-4学会自己搞科研,手把手教人类做实验
[导读]GPT-4等大模型组成的AI智能体,已经可以手把手教你做化学实验了,选啥试剂.剂量多少.推理反应会如何发生,它都一清二楚.颤抖吧,生化环材圈! 不得了,GPT-4都学会自己做科研了? 最近,卡 ...
- 微信测试工程师手把手教你做弱网络模拟测试
微信测试工程师手把手教你做弱网络模拟测试 Posted by 腾讯优测 | 3,152 views 小优有话说: app研发不同于实验室里做研究,哪里有"理想环境". 理想里,用 ...
- python倾向匹配得分_手把手教你做倾向评分匹配 -PSM
原标题:手把手教你做倾向评分匹配 -PSM 本文首发于"百味科研芝士"微信公众号,转载请注明:百味科研芝士,Focus科研人的百味需求. 各位科研芝士的朋友大家好,今天和大家分享一 ...
- 手把手教你做关键词匹配项目(搜索引擎)---- 第九天
第九天 回顾: 8. 手把手教你做关键词匹配项目(搜索引擎)---- 第八天 7. 手把手教你做关键词匹配项目(搜索引擎)---- 第七天 6. 手把手教你做关键词匹配项目(搜索引擎)---- 第六天 ...
- python手机版做小游戏代码大全-Python大牛手把手教你做一个小游戏,萌新福利!...
原标题:Python大牛手把手教你做一个小游戏,萌新福利! 引言 最近python语言大火,除了在科学计算领域python有用武之地之外,在游戏.后台等方面,python也大放异彩,本篇博文将按照正规 ...
- jsp mysql视频_手把手教你做jsp servlet mysql实现的图书管理系统附带视频开发教程和完整源码...
上一个教程我们做的是对数据库框架底层原理的讲解,然后教大家做了一个自己的数据库框架,这次我们做的这个图书管理系统就是用我们上个教程自己写的数据库框架,整个项目做完框架运行的很稳定,没有出现任何问题.如 ...
- oracle可以在liux上装_【Oracle】手把手教你做之Linux上安装Oracle11g
手把手教你做之Linux上安装Oracle11g 这是我第一次安装时的过程,及遇到问题的解决办法,在此记录,有不妥之处,多多交流. 因为高稳定性及高定制低系统消耗等原因,我们希望在Linux上安装Or ...
最新文章
- MySQL 学习笔记(9)— 事务控制语句、事务属性以及并发和隔离级别
- LeetCode10.正则表达式匹配 JavaScript
- LeetCode集锦(十) - 第28题 Implement StrStr
- JDK ShutdownHook - 优雅地停止服务
- bzoj3993: [SDOI2015]星际战争(二分+最大流)
- threshold()
- LeetCode 476. 数字的补数(移位 异或^)
- 锁 唤醒_Java笔记|等待唤醒机制
- Mac下iTerm2的ls输出如何显示文件件颜色呢?
- Author Topic Model[ATM理解及公式推导]
- 高通android开源代码下载,高通平台Android源码bootloader分析之sbl1(三)
- 怎么理解python循环_如何理解Python的循环设计
- Bailian2813 画家问题【暴力】
- MVC 的八个扩展点
- PySpark+Windows开发环境的搭建
- oracle asm 加盘,ASM添加磁盘最佳实践
- FFmpeg图片合成视频,实现放大平移
- buguku 加密 wp
- 果然天蝎座的人积分落户最容易...
- 使用spoon对java代码进行转换
热门文章
- FPGA实现蜂鸣器播放音乐实验,以儿歌《两只老虎》为例
- 【效率特工队】怎样完成俄语图片识别文字、韩语文字识别、日语文字识别,截图即识别出文字(无需安装)
- 报错java.lang.IllegalArgumentException: Result Maps collection does not contain value解决
- Excel表格如何加密?如何撤销加密?
- python not常见用法
- 赖冠霖《初恋那件小事》开播 清爽校服造型贵气十
- S7-1200PLC通过USS通信控制V20变频器的具体方法和步骤
- android 使用WebView 支持播放优酷视频,土豆视频
- 有了毒APP,小伙伴们再也不用担心假货问题啦!
- java 反射机制的基本知识