爬虫基础

以http://web.itheima.com/teacher.html网站目标为例，最终目的是下载网站中所有老师的照片：

发送http请求，获取整个网页内容
通过cheerio库对网页内容进行分析
提取img标签的src属性
使用download库进行批量图片下载

发送一个HTTP请求

发送HTTP请求并获取相应

在爬虫之前，需要对HTTP请求充分了解，因为爬虫的原理就是发送请求到指定URL，获取响应后并处理

node官方api

node的核心模块 http模块即可发送请求，摘自node官网api：

由此可见只需要使用http.request()方法即可发送http请求

发送http请求案例

也可以使用axios库来代替

代码如下：

// 引入http模块
const http = require('http')
// 创建请求对象
let req = http.request('http://web.itheima.com/teacher.html', res => {// 准备chunkslet chunks = []res.on('data', chunk => {// 监听到数据就存储chunks.push(chunk)})res.on('end', () => {// 结束数据监听时讲所有内容拼接console.log(Buffer.concat(chunks).toString('utf-8'))})
})
// 发送请求
req.end()

得到的结果就是整个HTML网页内容

将获取的HTML字符串使用cheerio解析

使用cheerio加载HTML
回顾jQueryAPI
加载所有的img标签的src属性

cheerio库简介

这是一个核心api按照jquery来设计，专门在服务器上使用，一个微小、快速和优雅的实现

简而言之，就是可以再服务器上用这个库来解析HTML代码，并且可以直接使用和jQuery一样的api

官方demo如下：

const cheerio = require('cheerio')
const $ = cheerio.load('<h2 class="title">Hello world</h2>')$('h2.title').text('Hello there!')
$('h2').addClass('welcome')$.html()
//=> <html><head></head><body><h2 class="title welcome">Hello there!</h2></body></html>

同样也可以通过jQuery的api来获取DOM元素中的属性和内容

使用cheerio库解析HTML

分析网页中所有img标签所在结构

使用jQuery API获取所有img的src属性

const http = require('http')
const cheerio = require('cheerio')
let req = http.request('http://web.itheima.com/teacher.html', res => {let chunks = []res.on('data', chunk => {chunks.push(chunk)})res.on('end', () => {// console.log(Buffer.concat(chunks).toString('utf-8'))let html = Buffer.concat(chunks).toString('utf-8')let $ = cheerio.load(html)let imgArr = Array.prototype.map.call($('.tea_main .tea_con .li_img > img'), (item) => 'http://web.itheima.com/' + $(item).attr('src'))console.log(imgArr)// let imgArr = []// $('.tea_main .tea_con .li_img > img').each((i, item) => {//   let imgPath = 'http://web.itheima.com/' + $(item).attr('src')//   imgArr.push(imgPath)// })// console.log(imgArr)})
})req.end()

使用download库批量下载图片

const http = require('http')
const cheerio = require('cheerio')
const download = require('download')
let req = http.request('http://web.itheima.com/teacher.html', res => {let chunks = []res.on('data', chunk => {chunks.push(chunk)})res.on('end', () => {// console.log(Buffer.concat(chunks).toString('utf-8'))let html = Buffer.concat(chunks).toString('utf-8')let $ = cheerio.load(html)let imgArr = Array.prototype.map.call($('.tea_main .tea_con .li_img > img'), (item) => encodeURI('http://web.itheima.com/' + $(item).attr('src')))// console.log(imgArr)Promise.all(imgArr.map(x => download(x, 'dist'))).then(() => {console.log('files downloaded!');});})
})req.end()

注意事项：如有中文文件名，需要使用base64编码

爬取新闻信息

爬取目标：http://www.itcast.cn/newsvideo/newslist.html

大部分新闻网站，现在都采取前后端分离的方式，也就是前端页面先写好模板，等网页加载完毕后，发送Ajax再获取数据，将其渲染到模板中。所以如果使用相同方式来获取目标网站的HTML页面，请求到的只是模板，并不会有数据
此时，如果还希望使用当前方法爬取数据，就需要分析该网站的ajax请求是如何发送的，可以打开network面板来调试
分析得出对应的ajax请求后，找到其URL，向其发送请求即可
代码如下：

// 引入http模块
const http = require('http')// 创建请求对象 (此时未发送http请求)
const url = 'http://www.itcast.cn/news/json/f1f5ccee-1158-49a6-b7c4-f0bf40d5161a.json'
let req = http.request(url, res => {// 异步的响应// console.log(res)let chunks = []// 监听data事件,获取传递过来的数据片段// 拼接数据片段res.on('data', c => chunks.push(c))// 监听end事件,获取数据完毕时触发res.on('end', () => {// 拼接所有的chunk,并转换成字符串 ==> html字符串// console.log(Buffer.concat(chunks).toString('utf-8'))let result = Buffer.concat(chunks).toString('utf-8')console.log(JSON.parse(result))})
})// 将请求发出去
req.end()

如果遇到请求限制，还可以模拟真实浏览器的请求头：

// 引入http模块
const http = require('http')
const cheerio = require('cheerio')
const download = require('download')// 创建请求对象 (此时未发送http请求)
const url = 'http://www.itcast.cn/news/json/f1f5ccee-1158-49a6-b7c4-f0bf40d5161a.json'
let req = http.request(url, {headers: {"Host": "www.itcast.cn","Connection": "keep-alive","Content-Length": "0","Accept": "*/*","Origin": "http://www.itcast.cn","X-Requested-With": "XMLHttpRequest","User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36","DNT": "1","Referer": "http://www.itcast.cn/newsvideo/newslist.html","Accept-Encoding": "gzip, deflate","Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8","Cookie": "UM_distinctid=16b8a0c1ea534c-0c311b256ffee7-e343166-240000-16b8a0c1ea689c; bad_idb2f10070-624e-11e8-917f-9fb8db4dc43c=8e1dcca1-9692-11e9-97fb-e5908bcaecf8; parent_qimo_sid_b2f10070-624e-11e8-917f-9fb8db4dc43c=921b3900-9692-11e9-9a47-855e632e21e7; CNZZDATA1277769855=1043056636-1562825067-null%7C1562825067; cid_litiancheng_itcast.cn=TUd3emFUWjBNV2syWVRCdU5XTTRhREZs; PHPSESSID=j3ppafq1dgh2jfg6roc8eeljg2; CNZZDATA4617777=cnzz_eid%3D926291424-1561388898-http%253A%252F%252Fmail.itcast.cn%252F%26ntime%3D1563262791; Hm_lvt_0cb375a2e834821b74efffa6c71ee607=1561389179,1563266246; qimo_seosource_22bdcd10-6250-11e8-917f-9fb8db4dc43c=%E7%AB%99%E5%86%85; qimo_seokeywords_22bdcd10-6250-11e8-917f-9fb8db4dc43c=; href=http%3A%2F%2Fwww.itcast.cn%2F; bad_id22bdcd10-6250-11e8-917f-9fb8db4dc43c=f2f41b71-a7a4-11e9-93cc-9b702389a8cb; nice_id22bdcd10-6250-11e8-917f-9fb8db4dc43c=f2f41b72-a7a4-11e9-93cc-9b702389a8cb; openChat22bdcd10-6250-11e8-917f-9fb8db4dc43c=true; parent_qimo_sid_22bdcd10-6250-11e8-917f-9fb8db4dc43c=fc61e520-a7a4-11e9-94a8-01dabdc2ed41; qimo_seosource_b2f10070-624e-11e8-917f-9fb8db4dc43c=%E7%AB%99%E5%86%85; qimo_seokeywords_b2f10070-624e-11e8-917f-9fb8db4dc43c=; accessId=b2f10070-624e-11e8-917f-9fb8db4dc43c; pageViewNum=2; nice_idb2f10070-624e-11e8-917f-9fb8db4dc43c=20d2a1d1-a7a8-11e9-bc20-e71d1b8e4bb6; openChatb2f10070-624e-11e8-917f-9fb8db4dc43c=true; Hm_lpvt_0cb375a2e834821b74efffa6c71ee607=1563267937"}
}, res => {// 异步的响应// console.log(res)let chunks = []// 监听data事件,获取传递过来的数据片段// 拼接数据片段res.on('data', c => chunks.push(c))// 监听end事件,获取数据完毕时触发res.on('end', () => {// 拼接所有的chunk,并转换成字符串 ==> html字符串// console.log(Buffer.concat(chunks).toString('utf-8'))let result = Buffer.concat(chunks).toString('utf-8')console.log(JSON.parse(result))})
})// 将请求发出去
req.end()

注意：请求头的内容，可以先通过真正的浏览器访问一次后获取

封装爬虫基础库

以上代码重复的地方非常多，可以考虑以面向对象的思想进行封装，进一步的提高代码复用率，为了方便开发，保证代码规范，建议使用TypeScript进行封装

以下知识点为扩展内容，需要对面向对象和TypeScript有一定了解！

执行tsc --init初始化项目，生成ts配置文件

TS配置：

{"compilerOptions": {/* Basic Options */"target": "es2015", "module": "commonjs", "outDir": "./bin", "rootDir": "./src", "strict": true,"esModuleInterop": true },"include": ["src/**/*"],"exclude": ["node_modules","**/*.spec.ts"]
}

Spider抽象类：

// 引入http模块
const http = require('http')
import SpiderOptions from './interfaces/SpiderOptions'export default abstract class Spider {options: SpiderOptions;constructor(options: SpiderOptions = { url: '', method: 'get' }) {this.options = optionsthis.start()}start(): void {// 创建请求对象 (此时未发送http请求)let req = http.request(this.options.url, {headers: this.options.headers,method: this.options.method}, (res: any) => {// 异步的响应// console.log(res)let chunks: any[] = []// 监听data事件,获取传递过来的数据片段// 拼接数据片段res.on('data', (c: any) => chunks.push(c))// 监听end事件,获取数据完毕时触发res.on('end', () => {// 拼接所有的chunk,并转换成字符串 ==> html字符串let htmlStr = Buffer.concat(chunks).toString('utf-8')this.onCatchHTML(htmlStr)})})// 将请求发出去req.end()}abstract onCatchHTML(result: string): any
}export default Spider

SpiderOptions接口：

export default interface SpiderOptions {url: string,method?: string,headers?: object
}

PhotoListSpider类：

import Spider from './Spider'
const cheerio = require('cheerio')
const download = require('download')
export default class PhotoListSpider extends Spider {onCatchHTML(result: string) {// console.log(result)let $ = cheerio.load(result)let imgs = Array.prototype.map.call($('.tea_main .tea_con .li_img > img'), item => 'http://web.itheima.com/' + encodeURI($(item).attr('src')))Promise.all(imgs.map(x => download(x, 'dist'))).then(() => {console.log('files downloaded!');});}
}

NewsListSpider类：

import Spider from "./Spider";export default class NewsListSpider extends Spider {onCatchHTML(result: string) {console.log(JSON.parse(result))}
}

测试类：

import Spider from './Spider'
import PhotoListSpider from './PhotoListSpider'
import NewsListSpider from './NewsListSpider'let spider1: Spider = new PhotoListSpider({url: 'http://web.itheima.com/teacher.html'
})let spider2: Spider = new NewsListSpider({url: 'http://www.itcast.cn/news/json/f1f5ccee-1158-49a6-b7c4-f0bf40d5161a.json',method: 'post',headers: {"Host": "www.itcast.cn","Connection": "keep-alive","Content-Length": "0","Accept": "*/*","Origin": "http://www.itcast.cn","X-Requested-With": "XMLHttpRequest","User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36","DNT": "1","Referer": "http://www.itcast.cn/newsvideo/newslist.html","Accept-Encoding": "gzip, deflate","Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8","Cookie": "UM_distinctid=16b8a0c1ea534c-0c311b256ffee7-e343166-240000-16b8a0c1ea689c; bad_idb2f10070-624e-11e8-917f-9fb8db4dc43c=8e1dcca1-9692-11e9-97fb-e5908bcaecf8; parent_qimo_sid_b2f10070-624e-11e8-917f-9fb8db4dc43c=921b3900-9692-11e9-9a47-855e632e21e7; CNZZDATA1277769855=1043056636-1562825067-null%7C1562825067; cid_litiancheng_itcast.cn=TUd3emFUWjBNV2syWVRCdU5XTTRhREZs; PHPSESSID=j3ppafq1dgh2jfg6roc8eeljg2; CNZZDATA4617777=cnzz_eid%3D926291424-1561388898-http%253A%252F%252Fmail.itcast.cn%252F%26ntime%3D1563262791; Hm_lvt_0cb375a2e834821b74efffa6c71ee607=1561389179,1563266246; qimo_seosource_22bdcd10-6250-11e8-917f-9fb8db4dc43c=%E7%AB%99%E5%86%85; qimo_seokeywords_22bdcd10-6250-11e8-917f-9fb8db4dc43c=; href=http%3A%2F%2Fwww.itcast.cn%2F; bad_id22bdcd10-6250-11e8-917f-9fb8db4dc43c=f2f41b71-a7a4-11e9-93cc-9b702389a8cb; nice_id22bdcd10-6250-11e8-917f-9fb8db4dc43c=f2f41b72-a7a4-11e9-93cc-9b702389a8cb; openChat22bdcd10-6250-11e8-917f-9fb8db4dc43c=true; parent_qimo_sid_22bdcd10-6250-11e8-917f-9fb8db4dc43c=fc61e520-a7a4-11e9-94a8-01dabdc2ed41; qimo_seosource_b2f10070-624e-11e8-917f-9fb8db4dc43c=%E7%AB%99%E5%86%85; qimo_seokeywords_b2f10070-624e-11e8-917f-9fb8db4dc43c=; accessId=b2f10070-624e-11e8-917f-9fb8db4dc43c; pageViewNum=2; nice_idb2f10070-624e-11e8-917f-9fb8db4dc43c=20d2a1d1-a7a8-11e9-bc20-e71d1b8e4bb6; openChatb2f10070-624e-11e8-917f-9fb8db4dc43c=true; Hm_lpvt_0cb375a2e834821b74efffa6c71ee607=1563267937"}
})

封装后，如果需要写新的爬虫，则可以直接继承Spider类后，在测试类中进行测试即可，仅需实现具体的爬虫类onCatchHTML方法，测试时传入url和headers即可。

而且全部爬虫的父类均为Spider，后期管理起来也非常方便！

最后推荐一个 js常用的utils合集，帮我点个star吧~

github
文档

九二、node+cheerio爬虫学习相关推荐

Python爬虫学习框架介绍
对于初学者来说,摸索清楚一个领域的知识体系往往比单纯学习某个技术要重要得多,因为技术总会跟随时代发生快速变化,而知识体系往往变化较小,今天我们以自学的角度来了解一下Python爬虫的知识体系吧. 一. ...
nodejs爬虫 node + cheerio 爬取滚动加载页面
最近在学习nodejs,然后了解到nodejs也可以做爬虫就试了一试还可以就记录一下爬取爱奇艺首页视频标题用到的是node+cheerio,cheerio是jq核心功能的一个快速灵活而又简洁的实现 ...
爬虫学习笔记（七）——Scrapy框架（二）：Scrapy shell、选择器
一.Scrapy shell scrapy shell的作用是用于调试,在项目目录下输入scrapy shell start_urls (start_urls:目标url)得到下列信息: scrapy ...
python爬虫学习之路（二）re库的使用方法
python基础爬虫学习之路(二) 在上一篇文章中,我们已经学习了有关爬虫对URL的访问以及利用xpath表达式对网页中的信息进行提取,这一篇文章我们将从信息提取的角度来进一步学习爬虫. 正则表达式提 ...
爬虫学习（二）--爬取360应用市场app信息
欢迎加入python学习交流群 667279387 爬虫学习爬虫学习(一)-爬取电影天堂下载链接爬虫学习(二)–爬取360应用市场app信息代码环境:windows10, python 3.5 ...
python 爬虫学习：抓取智联招聘网站职位信息(二)
在第一篇文章(python 爬虫学习:抓取智联招聘网站职位信息(一))中,我们介绍了爬取智联招聘网站上基于岗位关键字,及地区进行搜索的岗位信息,并对爬取到的岗位工资数据进行统计并生成直方图展示:同时进 ...
记第一天使用node做爬虫——爬取猫眼电影票房总榜以及指定电影的豆瓣评论前200条
首先,我是一个做前端的应届生,今天朋友想让我帮忙爬取猫眼电影票房总榜的数据,但是我之前一点都没接触过爬虫,但我还是说:okk,我试试: 然后试试就逝世,各种坑接踵而来: 提前声明:这篇文章暂时只是获取 ...
node 写爬虫，原来这么简单
作者:CarsonXu 原文地址:https://juejin.im/post/5eca37f951882543345e81df 前言今天给大家带来的是node简单爬虫,对于前端小白也是非常好理解且 ...
Python 爬虫学习系列教程
Python爬虫 --- 中高级爬虫学习路线 :https://www.cnblogs.com/Eeyhan/p/14148832.html 看不清图时,可以把图片保存到本地在打开查看... Pyth ...

九二、node+cheerio爬虫学习