node爬虫

初入前端，刚刚接触node，对于耳闻已久的node爬虫非常神往，所以有了这篇文章，项目代码在文章末尾

需求

抓取天涯论坛重庆地区板块的文章列表信息。

使用工具

1. node.js
2. superagent(客户端请求代理模块)
3. cheerio(为服务器特别定制的，快速、灵活、实施的jQuery核心实现)

安装并使用cheerio，superagent模块

安装

npm install superagent cheerio --save

在项目中引入cheerio，superagent

const superagent = require('superagent')
const cheerio = require('cheerio')

指定需要抓取的域名

const mainUrl = 'http://bbs.tianya.cn'  //天涯论坛主域名
let url = '/list-45-1.shtml'    //重庆区域域名

请求数据

superagent.get(mainUrl + url).end(function (err, res) {// 抛错拦截if (err) {returnthrow Error(err)}console.log(res)}

分析页面结构

对页面内容进行分析，提取对我们需要的内容

以下图片是页面信息

1. 我们需要的列表在class为mt5的div下。
2. 整个网页有多个mt5，继续向下找。
3. 每一栏信息在('.mt5 table tbody tr')下。

4. 调用cheerio选取('.mt5 table tbody tr')

   let $ = cheerio.load(res.text)
   $('.mt5 table tbody tr').each((index, item)=>{
   //这里是每一项的信息
   })

5. 找到了信息，下面对找到的信息进行解析

解析数据

找到需要解析的数据，对数据进行解析，保存我们需要的数据

        let $ = cheerio.load(res.text)let data = []   //存储抓去到的数据$('.mt5 table tbody tr').each((index, item) => {let _this = $(item)//根据页面判断是否是文章if ($(_this.children()[0]).hasClass('td-title')) {//对数据进行存储let objlet title = $(_this.find('.td-title')).find('span').next().text()// let text = $(_this.find('a')[0]).text()  //另一种选择器let type = $(_this.find('.td-title')).find('.face').attr('title')let goto = $(_this.find('.td-title')).find('span').next().attr('href')let author = $(_this.children()[1]).text()let point = $(_this.children()[2]).text()let time = $(_this.children()[3]).text()obj = {title: title,type: type,url: mainUrl + goto,author: author,point: point,time: time}if (obj.title != "") {//判断如果有内容，则推送到data中data.push(obj)}}})

存储数据到本地

此时需要把data中保存的数据存到想要保存的文件中需要用到node的fs模块

1.引入fs模块

const fs = require('fs')

2.存储数据到本地

在根目录下创建data文件夹

    fs.writeFile(__dirname + '/data/articleLists.json', JSON.stringify({status: 0,data: data}), function (err) {if (err) {console.log(err)} else {console.log("写入文章列表完成")}})

现在爬虫会把爬到的数据存储到本地了
ok，到这里我们的爬虫已经完成了，接下来我们需要对它进行优化

让爬虫更聪明

现在我们的爬虫只能爬取当前页的信息，我们来改一下，让它也能翻页

分析翻页按钮，天涯论坛的列表也的下一页按钮中有一个a标签，里边的url加上之前我们记录的mainUrl就是下一页的标签。所以，在爬虫爬取完本页的数据后，让爬虫向下一页的链接发一个新的请求就可以继续爬去了。

//单次读取后，找到下一页的链接，继续抓取下一页的数据let nextPage = $('.mt5').next().find('.short-pages-2 .links')nextPage.children().each((index, item) => {if ($(item).text() === '下一页') {let url = $(item).attr("href")getData(url)    //刚才我们请求数据的方法，命名为这个函数}})

现在，爬虫读取完当前页数据后就会继续爬取下一页的数据。

完成代码

最后我还增加了一个页码，每一页数据，单独进行记录。下面是完整的代码

const superagent = require('superagent')
const cheerio = require('cheerio')
const fs = require('fs')const mainUrl = 'http://bbs.tianya.cn'  //天涯论坛主域名
let url = '/list-45-1.shtml'    //重庆区域域名let index = 1   //记录页码数
//发送请求获取页面资源方法
let getData = (url) => {// 使用superagent请求页面数据superagent.get(mainUrl + url).end(function (err, res) {// 抛错拦截if (err) {returnthrow Error(err)}// 请求数据后使用cheerio解析数据let $ = cheerio.load(res.text)let data = []   //存储抓去到的数据$('.mt5 table tbody tr').each((index, item) => {let _this = $(item)//根据页面判断是否是文章if ($(_this.children()[0]).hasClass('td-title')) {//对数据进行存储let objlet title = $(_this.find('.td-title')).find('span').next().text()// let text = $(_this.find('a')[0]).text()  //另一种选择器let type = $(_this.find('.td-title')).find('.face').attr('title')let goto = $(_this.find('.td-title')).find('span').next().attr('href')let author = $(_this.children()[1]).text()let point = $(_this.children()[2]).text()let time = $(_this.children()[3]).text()obj = {title: title,type: type,url: mainUrl + goto,author: author,point: point,time: time}if (obj.title != "") {//判断如果有内容，则推送到data中data.push(obj)}}})if (data.length > 0) {  //判断data中是否有内容//使用fs模块对data中的数据进行储存，也可以使用数据库进行操作fs.writeFile(__dirname + '/data/articleLists' + index + '.json', JSON.stringify({status: 0,data: data}), function (err) {if (err) {console.log(err)} else {console.log("写入文章列表完成, 当前页码：", index)index++}})}//单次读取后，找到下一页的链接，继续抓取下一页的数据let nextPage = $('.mt5').next().find('.short-pages-2 .links')nextPage.children().each((index, item) => {if ($(item).text() === '下一页') {let url = $(item).attr("href")getData(url)}})})
}
//初次执行数据抓取
getData(url)

好了本次node爬虫快速入门文章到这里就结束了，但是这个爬虫还有很多地方需要完善，以后我会为大家带来更详细的爬虫教程