[js高手之路]Node.js实现简易的爬虫-抓取博客所有文章列表信息

Posted 2020-10-07 ghostwu

抓取目标：就是我自己的博客：http://www.cnblogs.com/ghostwu/

需要实现的功能：

抓取博客所有的文章标题，超链接，文章摘要，发布时间

需要用到的库：

node.js自带的http库

第三方库:cheerio，这个库就是用来处理dom节点的，他的用法几乎跟jquery用法一模一样，所以有了这个利器，写一个爬虫就非常简单

准备工作：

1，npm init --yes 初始化package.json

2，安装cheerio:npm install cheerio --save-dev

实现的目标，是要把每篇文章需要抓取的部分( 抓取文章标题，超链接，文章摘要，发布时间 )整理成一个对象， 放在数组中，如:

[ { title: \'[置顶][js高手之路]从零开始打造一个javascript开源框架gdom与插件开发免费视频教程
连载中\',
    url: \'http://www.cnblogs.com/ghostwu/p/7470038.html\',
    entry: \'摘要: 百度网盘下载地址：https://pan.baidu.com/s/1kULNXOF 优酷土豆观看地址：htt
p://v.youku.com/v_show/id_XMzAwNTY2MTE0MA==.html?spm=a2h0j.8191423.playlist_content.5!3~5~
5~A&&f\',
    listTime: \'2017-09-05 17:08\' },
  { title: \'[js高手之路]Vue2.0基于vue-cli+webpack Vuex用法详解\',
    url: \'http://www.cnblogs.com/ghostwu/p/7521097.html\',
    entry: \'摘要: 在这之前，我已经分享过组件与组件的通信机制以及父子组件之间的通信机制，而
我们的vuex就是为了解决组件通信问题的 vuex是什么东东呢？ 组件通信的本质其实就是在组件之间传
递数据或组件的状态（这里将数据和状态统称为状态），但可以看到如果我们通过最基本的方式来进行
通信，一旦需要管理的状态多了，代码就会\',
    listTime: \'2017-09-14 15:51\' },
  { title: \'[js高手之路]Vue2.0基于vue-cli+webpack同级组件之间的通信教程\',
    url: \'http://www.cnblogs.com/ghostwu/p/7518158.html\',
    entry: \'摘要: 我们接着上文继续，本文我们讲解兄弟组件的通信，项目结构还是跟上文一样. 在
src/assets目录下建立文件EventHandler.js，该文件的作用在于给同级组件之间传递事件 EventHandl
er.js代码: 2，在Components目录下新建一个组件Brother1.vue 。通过Eve\',
    listTime: \'2017-09-13 22:49\' },
   ]

 思路讲解：

1，获取目标地址：http://www.cnblogs.com/ghostwu/ 所有的html内容

2，提取所有的文章html内容

3，提取每篇文章下面对应的( 文章标题，超链接，文章摘要，发布时间 )

 1 var http = require(\'http\');
 2 var cheerio = require(\'cheerio\');
 3 
 4 var url = \'http://www.cnblogs.com/ghostwu/\';
 5 
 6 function filterHtml(html) {
 7     var $ = cheerio.load(html);
 8     var arcList = [];
 9     var aPost = $("#content").find(".post-list-item");
10     aPost.each(function () {
11         var ele = $(this);
12         var title = ele.find("h2 a").text();
13         var url = ele.find("h2 a").attr("href");
14         ele.find(".c_b_p_desc a").remove();
15         var entry = ele.find(".c_b_p_desc").text();
16         ele.find("small a").remove();
17         var listTime = ele.find("small").text();
18         var re = /\\d{4}-\\d{2}-\\d{2}\\s*\\d{2}[:]\\d{2}/;
19         listTime = listTime.match( re )[0];
20         arcList.push({
21             title: title,
22             url: url,
23             entry: entry,
24             listTime: listTime
25         });
26     });
27     return arcList;
28 }
29 
30 http.get(url, function (res) {
31     var html = \'\';
32     var arcList = [];
33     // var arcInfo = {};
34     res.on(\'data\', function (chunk) {
35         html += chunk;
36     });
37     res.on(\'end\', function () {
38         arcList = filterHtml( html ); 
39         console.log( arcList );
40     });
41 });

有几个关键的地方要讲解下：

1，res.on( \'data\', function(){} ) 

http模块发送get请求之后，就会源源不断的抓取目标网页的源代码内容, 所以，我在on中监听data事件， chunk就是传输的数据，把这些数据累加到html这个变量， 当数据传输完之后就会触发end事件，你可以在end事件中打印一下console.log( html ) 就能发现，他就是目标地址的所有html源代码，这样就解决了我们的第一个问题：获取目标地址：http://www.cnblogs.com/ghostwu/ 所有的html内容

2，有了完整的html内容之后，接下来我封装了一个函数filterHTML用来过滤我所需要的结果( 每篇文章的信息 )

3，var $ = cheerio.load(html); 把html内容通过cheerio的load方法加载进来，就可以用cheerio的节点操作了，为了亲和jquery的操作，我用美元符号$保存了这个文档对象

4，var aPost = $("#content").find(".post-list-item"); 这个是所有的文章节点信息，拿到之后，通过each方法 挨个遍历并抓取需要的信息，整理成对象，然后放在一个数组中

1  arcList.push({
2 21             title: title,
3 22             url: url,
4 23             entry: entry,
5 24             listTime: listTime
6 25         });

这样就处理完了，结果已经在上面展示了，如果博客样式跟我的博客样式一样，应该都能抓取了,

接着完善分页抓取，这样就能把整个博客爬下来了

 1 var http = require(\'http\');
 2 var cheerio = require(\'cheerio\');
 3 
 4 var url = \'http://www.cnblogs.com/ghostwu/\';
 5 
 6 function filterHtml(html) {
 7     var $ = cheerio.load(html);
 8     var arcList = [];
 9     var aPost = $("#content").find(".post-list-item");
10     aPost.each(function () {
11         var ele = $(this);
12         var title = ele.find("h2 a").text();
13         var url = ele.find("h2 a").attr("href");
14         ele.find(".c_b_p_desc a").remove();
15         var entry = ele.find(".c_b_p_desc").text();
16         ele.find("small a").remove();
17         var listTime = ele.find("small").text();
18         var re = /\\d{4}-\\d{2}-\\d{2}\\s*\\d{2}[:]\\d{2}/;
19         listTime = listTime.match(re)[0];
20         arcList.push({
21             title: title,
22             url: url,
23             entry: entry,
24             listTime: listTime
25         });
26     });
27     return arcList;
28 }
29 
30 function nextPage( html ){
31     var $ = cheerio.load(html);
32     var nextUrl = $("#pager a:last-child").attr(\'href\');
33     if ( !nextUrl ) return ;
34     var curPage = $("#pager .current").text();
35     if( !curPage ) curPage = 1;
36     var nextPage = nextUrl.substring( nextUrl.indexOf( \'=\' ) + 1 );
37     if ( curPage < nextPage ) crawler( nextUrl );
38 }
39 
40 function crawler(url) {
41     http.get(url, function (res) {
42         var html = \'\';
43         var arcList = [];
44         res.on(\'data\', function (chunk) {
45             html += chunk;
46         });
47         res.on(\'end\', function () {
48             arcList = filterHtml(html);
49             console.log( arcList );
50             nextPage( html );
51         });
52     });
53 }
54 crawler( url );