node.js抓取数据（fake小爬虫）

2021-09-11 18:56:17

　　在node.js中，有了 cheerio 模块、request 模块，抓取特定URL页面的数据已经非常方便。

　　一个简单的就如下

var request = require('request');

var cheerio = require('cheerio');

request(url,function(err,res){

    if(err) return console.log(err);

    var $ = cheerio.load(res.body.toString());

    //解析页面内容

});

　　有了基本的流程，现在找个web地址(url)试试。就以博客园的搜索页为例。

　　通过搜索关键词 node.js

　　得到如下的URL：

　　http://zzk.cnblogs.com/s?t=b&w=node.js

　　点击第二页，URL如下：

　　http://zzk.cnblogs.com/s?t=b&w=node.js&p=2

　　分析URL，发现w= ?为要搜索的关键词 p= ?为页码。　

　　借助 request 模块请求URL　

var request = require('request');

var cheerio = require('cheerio');

var key = 'node.js', page = 1;

var url = 'http://zzk.cnblogs.com/s?t=b&w='+ key +'&p='+ page;

request(url, function(err, res) {

    if (err) return console.log(err);

    var $ = cheerio.load(res.body.toString());

    var arr = [];

    //内容解析

});

　　现在URL有了，分析下URL对应的页面内容。

　　页面还是很有规律的。

　　标题摘要作者发布时间推荐次数评论条数浏览次数文章链接

　　借助浏览器开发工具

　　发现 <div class="searchItem">...</div> 对应的是每篇文章

　　点开每一项，有如下内容

　　class="searchItemTitle" 包含的是文章标题、也包含了文章URL地址

　　class="searchItemInfo-userName" 包含的是作者

　　class="searchItemInfo-publishDate" 包含的是发布时间

　　class="searchItemInfo-views" 包含的是浏览次数

　　借助 cheerio 模块解析文章，抓取具体的内容

var request = require('request');

var cheerio = require('cheerio');

var key = 'node.js', page = 1;

var url = 'http://zzk.cnblogs.com/s?t=b&w='+ key +'&p='+ page;

request(url, function(err, res) {

    if (err) return console.log(err);

    var $ = cheerio.load(res.body.toString());

    var arr = [];

    //内容解析

    $('.searchItem').each(function() {

        var title = $(this).find('.searchItemTitle');

        var author = $(this).find('.searchItemInfo-userName a');

        var time = $(this).find('.searchItemInfo-publishDate');

        var view = $(this).find('.searchItemInfo-views');

        var info = {

            title: $(title).find('a').text(),

            href: $(title).find('a').attr('href'),

            author: $(author).text(),

            time: $(time).text(),

            view: $(view).text().replace(/[^0-9]/ig, '')

        };

        arr.push(info);

        //打印

        console.log('============================= 输出开始 =============================');

        console.log(info);

        console.log('============================= 输出结束 =============================');

    });

});

　　可以来运行下，看看是否正常抓取了数据。　

　　现在有数据数据，可以保存到数据库。这里以mysql为例，其实用mongodb更方便。

　　借助 mysql 模块保存数据（假设数据库名为test，表为blog）。

var request = require('request');

var cheerio = require('cheerio');

var mysql = require('mysql');

var db = mysql.createConnection({

    host:     '127.0.0.1',

    user:     'root',

    password: '123456',

    database: 'test'

});

db.connect();

var key = 'node.js', page = 1;

var url = 'http://zzk.cnblogs.com/s?t=b&w='+ key +'&p='+ page;

request(url, function(err, res) {

    if (err) return console.log(err);

    var $ = cheerio.load(res.body.toString());

    var arr = [];

    //内容解析

    $('.searchItem').each(function() {

        var title = $(this).find('.searchItemTitle');

        var author = $(this).find('.searchItemInfo-userName a');

        var time = $(this).find('.searchItemInfo-publishDate');

        var view = $(this).find('.searchItemInfo-views');

        var info = {

            title: $(title).find('a').text(),

            href: $(title).find('a').attr('href'),

            author: $(author).text(),

            time: $(time).text(),

            view: $(view).text().replace(/[^0-9]/ig, '')

        };

        arr.push(info);

        //打印

        console.log('============================= 输出开始 =============================');

        console.log(info);

        console.log('============================= 输出结束 =============================');

        //保存数据

        db.query('insert into blog set ?', info, function(err,result){

            if (err) throw err;

            if (!!result) {

                console.log('插入成功');

                console.log(result.insertId);

            } else {

                console.log('插入失败');

            }

        });

    });

});

　　运行下，看看数据是否保存到数据库了。

　　　　现在一个基本的抓取、保存都有了。但是呢只抓取一次，而且只能抓取关键词为node.js 页码为1的URL页面。

　　　　改关键词为javascript，页码为1，清空blog表，再从新运行一次，看看表里是不是能保存javascript相关的数据。

　　　　现在去博客园搜索javascript，看看搜索到的结果和表里的内容能否对应。呵呵，不用看啦，肯定能对应啊~~

　　　　只能抓取一个页面的内容，肯定不能满足的，能自动抓取其他页的内容就更好了。

　　　　分析搜索页面，底部都有页码、下一页。

　　　借助浏览器开发工具查看

　　我们发现最后一个a标签的内容有Next，表示下一页，看href有p=2，在第二分页p=3, ... 最后一页没有内容有Next的a标签了。

var nextA = $('.pager a').last(),

    nextUrl = '';

if ($(nextA).text().indexOf('Next') > -1) {

    nextUrl = nextA.attr('href');

    page = nextUrl.slice(nextUrl.indexOf('p=') + 2);

    //todo

} else {

    db.end();

    console.log('没有数据了...');

}

　　这里把程序代码做一点修改，封装成一个函数，完整如下：

var request = require('request');

var cheerio = require('cheerio');

var mysql = require('mysql');

var db = mysql.createConnection({

    host:     '127.0.0.1',

    user:     'root',

    password: '123456',

    database: 'test'

});

db.connect();

function fetchData(key, page) {

    var url = 'http://zzk.cnblogs.com/s?t=b&w=' + key + '&p=' + page;

    request(url, function(err, res) {

        if (err) return console.log(err);

        var $ = cheerio.load(res.body.toString());

        var arr = [];

        //内容解析

        $('.searchItem').each(function() {

            var title = $(this).find('.searchItemTitle');

            var author = $(this).find('.searchItemInfo-userName a');

            var time = $(this).find('.searchItemInfo-publishDate');

            var view = $(this).find('.searchItemInfo-views');

            var info = {

                title: $(title).find('a').text(),

                href: $(title).find('a').attr('href'),

                author: $(author).text(),

                time: $(time).text(),

                view: $(view).text().replace(/[^0-9]/ig, '')

            };

            arr.push(info);

            //打印

            console.log('============================= 输出开始 =============================');

            console.log(info);

            console.log('============================= 输出结束 =============================');

            //保存数据

            db.query('insert into blog set ?', info, function(err, result) {

                if (err) throw err;

                if (!!result) {

                    console.log('插入成功');

                    console.log(result.insertId);

                } else {

                    console.log('插入失败');

                }

            });

        });

        //下一页

        var nextA = $('.pager a').last(),

            nextUrl = '';

        if ($(nextA).text().indexOf('Next') > -1) {

            nextUrl = nextA.attr('href');

            page = nextUrl.slice(nextUrl.indexOf('p=') + 2);

            setTimeout(function() {

                fetchData(key, page);

            }, 2000);

        } else {

            db.end();

            console.log('没有数据了...');

        }

    });

}

fetchData('node.js', 1);

　运行一下，开始抓数据了... 博客园搜索结果100个分页，每页20条数据，供2000条，程序间隔2秒抓取下一页，抓取一个搜索关键词2000条数据约3分20秒左右。

　到此程序实现了抓取、保存数据。

　如果是其他URL，需要重新解析页面内容，页面编码不是utf-8编码，需要转码，可以借助 iconv-lite 模块。　

　数据库有了数据，当然可以读取出来，比如按浏览次数多少排序输出来。

　按需求，抓取数据，显示数据，助技术进步。

码农公寓

相关文章