nodejs 爬虫笔记

Posted 2020-09-26 半夜打老虎

 

目标：爬取慕课网里面一个教程的视频信息，并将其存入mysql数据库。以http://www.imooc.com/learn/857为例。

 

一、工具

 

1.安装nodejs：（操作系统环境：WiN 7 64位）

　　 在Windows环境下安装相对简单（ps:其他版本我也不太清楚，可以问度娘）

　　http://nodejs.org/download/   链接中下载对应操作系统安装文件（安装最新版本就行）

　　按照提示，一路下一步直到安装成功后，在默认安装路径下可以看到（C:\\Program Files\\nodejs），默认路径在安装的时候可以修改。

　　安装成功后，在“命令提示符中”输入：node -v 查看安装版本,输出版本即安装成功

　　

 

2.编码工具：

 

　　WebStorm下载地址： http://www.jetbrains.com/webstorm/，Webstorm用起来很方便，但是我电脑比较卡，我最终还是选择了Sublime，可以在各平台下保持个统一个开发工具，配置方法网上有很多（软件无需注册，使用过程中时不时会弹出需要注册的窗口，取消即可）

 

　  Sublime下载地址： http://www.sublimetext.com/    

      Sublime配置nodejs环境可参考http://www.cnblogs.com/zhongweiv/p/nodejs_environment.html

 

二、相关模块

• 获取网页内容（http\\request\\superagent等）
• 筛选网页信息（cheerio）
• 输出或存储信息（console\\fs\\mongodb\\mysql等）

1、使用 request 模块来获取网页内容

request 是一个用来简化 HTTP 请求操作的模块，其功能强大而且使用方法简单，以下 是一个通过 GET 方法来获取某个URL的内容的例子：

 

var request = require(\'request\');

// 通过 GET 请求来读取 http://cnodejs.org/ 的内容
request(\'http://cnodejs.org/\', function (error, response, body) {
  if (!error && response.statusCode == 200) {
    // 输出网页内容
    console.log(body);
  }
});

 

如果是其他的请求方法，或者需要指定请求头等信息，可以在第一个参数中传入一个对象来 指定，比如：

 

var request = require(\'request\');

request({
  url:    \'http://cnodejs.org/\',   // 请求的URL
  method: \'GET\',                   // 请求方法
  headers: {                       // 指定请求头
    \'Accept-Language\': \'zh-CN,zh;q=0.8\',         // 指定 Accept-Language
    \'Cookie\': \'__utma=4454.11221.455353.21.143;\' // 指定 Cookie
  }
}, function (error, response, body) {
  if (!error && response.statusCode == 200) {
    console.log(body) // 输出网页内容
  }
});

 

本文中仅用到了 request 模块很少的部分，其具体的使用方法可以浏览该模块的主页来获取详细的使用说明：https://npmjs.org/package/request。

2、使用 cheerio 模块来提取网页中的数据

cheerio 是一个 jQuery Core 的子集，其实现了 jQuery Core 中浏览器无关的 DOM 操作 API，以下是一个简单的示例：

var cheerio = require(\'cheerio\');

// 通过 load 方法把 html 代码转换成一个 jQuery 对象
var $ = cheerio.load(\'<h2 class="title">Hello world</h2>\');

// 可以使用与 jQuery 一样的语法来操作
$(\'h2.title\').text(\'Hello there!\');
$(\'h2\').addClass(\'welcome\');

console.log($.html());
// 将输出 <h2 class="title welcome">Hello there!</h2>

简单来说，cheerio就是服务器端的jQuery，去掉了jQuery的一些效果类和请求类等等功能后，仅保留核心对dom操作的部分，因此能够对dom进行和jQuery一样方便的操作。它是我们筛选数据的利器——把多余的html标签去掉，只留下我们想要的内容的重要工具。需要注意的是，cheerio 并不支持所有 jQuery 的查询语法，比如 $(\'a:first\') 会报错 ，只能写成  $(\'a\').first() ，在使用的时候需要注意。jQuery的相关选择器可以参考http://www.cnblogs.com/xiaxuexiaoab/p/7091527.html

cheerio 模块的详细使用方法可以访问该模块的主要来获取： https://npmjs.org/package/cheerio。

3、使用 mysql 模块来将数据储存到数据库

我使用的是mysql连接池，具体的使用方法可以参考https://github.com/felixge/node-mysql

mysql 模块内置了连接池机制，以下是一个简单的使用示例：

var mysql = require(\'mysql\');

// 创建数据库连接池
var pool  = mysql.createPool({
  host:           \'localhost\', // 数据库地址
  user:           \'root\',      // 数据库用户
  password:        \'\',         // 对应的密码
  database:        \'example\',  // 数据库名称
  connectionLimit: 10          // 最大连接数，默认为10
});

// 在使用 SQL 查询前，需要调用 pool.getConnection() 来取得一个连接
pool.getConnection(function(err, connection) {
  if (err) throw err;

  // connection 即为当前一个可用的数据库连接
});

4、使用 async 模块来简化异步流程控制

async 是一个使用比较广泛的 javascript 异步流程控制模块，除了可以在 Node.js 上运行外，其还可以在浏览器端运行。 async模块提供了约 20 多个实用的函数来 帮助我们理清在使用 Node.js 过程中各种复杂回调。

可以参考：http://blog.csdn.net/zzwwjjdj1/article/details/51857959，

关于 async 模块的详细使用方法可以访问该模块的主页来获取： https://npmjs.org/package/async.

 

三、开始爬虫

 1、初始化项目

在喜欢的目录下创建一个文件夹，我在D盘创建文件夹并命名为crawler；在DOS下cd到该目录，运行npm init 初始化,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。然后安装第三方包：

npm install request cheerio mysql async -save

–save的目的是将项目对该包的依赖写入到package.json文件中。此时，package.json文件如下：

{
  "name": "crawler",
  "version": "1.0.0",
  "description": "crawler and mysql",
  "main": "index.js",
  "scripts": {
    "test": "echo \\"Error: no test specified\\" && exit 1"
  },
  "author": "",
  "license": "ISC",
  "dependencies": {
    "async": "^2.5.0",
    "cheerio": "^1.0.0-rc.1",
    "mysql": "^2.13.0",
    "request": "^2.81.0"
  }
}

 

 

2、分析页面

打开http://www.imooc.com/learn/857，可以发现课程如下：

 

我习惯使用Google浏览器，打开网页后点击检查，可以查看该网页相关部分的html代码如下：

    

 

 3、获取视频信息

我们需要从这段HTML中获取视频的名称name，id，url，时长duration以及所属章节title。利用jQuery的方法，可以通过$(\'.video li a\')来获取所有视频的a标签，然后从中提取name,duration,url和id，所属章节的话要转到a标签的曾祖父。在crawler目录下新建video.js,在sublime-text中编辑程序如下：

var request = require(\'request\');
var cheerio = require(\'cheerio\');


var url = \'http://www.imooc.com/learn/857\';

function videocrawler(url,callback){
       //获取页面
    request(url,function(err,res){
        if(err){
            callback(err);
        }
        
        var $ = cheerio.load(res.body.toString()); //利用cheerio对页面进行解析

        var videoList = [];
        
        $(\'.video li a\').each(function(){
            var $title = $(this).parent().parent().parent().text().trim();
            var title = $title.split(\'\\n\');
            var text = $(this).text().trim();
            text = text.split(\'\\n\');
            //console.log(text);
            var time = text[1].match(/\\((\\d+\\:\\d+)\\)/); 
            var item={
                title : title[0],
                url : \'http://www.imooc.com\'+$(this).attr(\'href\'),
                name : text[0],
                duration : time[1]
            };
            var s = item.url.match(/video\\/(\\d+)/);
            //console.log(s);
            if(Array.isArray(s)){
                item.id = s[1];
                videoList.push(item);
            }
        });
            
        callback(null,videoList);
    });
}

videocrawler(url,function(err,videoList){
       if(err){
           return console.log(err);
       }
       console.log(videoList);
});

 

配置好node.js环境后（配置参考http://www.cnblogs.com/zhongweiv/p/nodejs_environment.html）， 点击ctrl+s进行保存，再点击ctrl+b运行（也可以在DOS下输入node video运行）显示如下:

我们已经得到了视频相关信息，接下来我们将其存入mysql。

4、数据存入mysql

 新建数据库muke,然后新建数据表video，在DOS下输入use muke后，创建数据库表：

CREATE TABLE `video` (
  `id` int(11) NOT NULL,
  `title` varchar(255) NOT NULL,
  `url` varchar(255) NOT NULL,
  `name` varchar(255) NOT NULL,
  `duration` varchar(20) NOT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

 然后在crawler文件夹下新建save.js，先利用sublime编辑代码如下：

var mysql = require(\'mysql\');
var async = require(\'async\');

var pool = mysql.createPool({
    host : \'localhost\',
    user : \'root\',
    password : \'z2457098495924\',
    database : \'muke\'
});

pool.getConnection(function(err,connection){
    if(err){
        console.log(err);
    }
    connection.query(\'show tables\',function(err,result){
         if(err){
             return console.log(\'show tables error:\'+err.message);
         }
         return console.log(result);
    });
    connection.release();
});

 

 运行后输出如下图，其中content是muke数据库下的另外一个表。

此时说明数据库已经连接成功。接下来继续编辑save.js如下：

var mysql = require(\'mysql\');
var async = require(\'async\');

var pool = mysql.createPool({
    host : \'localhost\',
    user : \'root\',
    password : \'z2457098495924\',
    database : \'muke\'
});


exports.videoSave = function(list,callback){
    
    pool.getConnection(function(err,connection){
        if(err){
            return callback(err);
        }
      var findsql = \'select * from video where id=?\';
      var updatesql = \'update video set title=?,url=?,name=?,duration=? where id=?\';
        var insertsql = \'insert into video(id,title,url,name,duration) values(?,?,?,?,?)\';
        async.eachSeries(list,function(item,next){
        connection.query(findsql,[item.id],function(err,result){
            if(err){
                return next(err);
            }
            if(result.length>=1){
                connection.query(updatesql,[item.title,item.url,item.name,item.duration,item.id],next);
            }else{
                connection.query(insertsql,[item.id,item.title,item.url,item.name,item.duration],next);
            }
        });         
        },callback);
        connection.release();
    });
};

 

修改video.js如下

var request = require(\'request\');
var cheerio = require(\'cheerio\');

exports.videocrawler = function(url,callback){
    request(url,function(err,res){
        if(err){
            callback(err);
        }

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

        var videoList = [];
        
        $(\'.video li a\').each(function(){
            var $title = $(this).parent().parent().parent().text().trim();
            var title = $title.split(\'\\n\');
            var text = $(this).text().trim();
            text = text.split(\'\\n\');
            //console.log(text);
            var time = text[1].match(/\\((\\d+\\:\\d+)\\)/); 
            var item={
                title : title[0],
                url : \'http://www.imooc.com\'+$(this).attr(\'href\'),
                name : text[0],
                duration : time[1]
            };
            var s = item.url.match(/video\\/(\\d+)/);
            //console.log(s);
            if(Array.isArray(s)){
                item.id = s[1];
                videoList.push(item);
            }
        });
            
        callback(null,videoList);
    });
}

 

然后在crawler目录下新建index.js文件，编辑代码如下：

var async = require(\'async\');var video = require(\'./video\');
var save = require(\'./save\');
var url = \'http://www.imooc.com/learn/857\';
var videolist;

async.series([
        //获取视频信息
        function(done){
            video.videocrawler(url,function(err,list){
                videolist = list;
                done(err);
            });
        },
        //保存视频信息
        function(done){
            save.videoSave(videolist,done);
        },

    ],function(err){
    if(err){
        console.log(err);
    }
    console.log(\'完成\');
    process.exit(0);
})

 

 点击运行后会输出 ‘’完成‘’。然后利用可视化工具Navicat 查看video数据表可以看到信息已经存入。

 

四、总结

通过node爬虫训练，对request、cheerio、async、mysql等模块有了初步的了解，也熟悉了下node爬虫的基本过程，同时，我也体会到了NodeJs模块化的便捷及魅力。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。选择器可以参考http://www.cnblogs.com/xiaxuexiaoab/p/7091527.html.

欢迎评论，转载请注明地址。