node.js+mongodb 爬虫

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了node.js+mongodb 爬虫相关的知识,希望对你有一定的参考价值。

demo截图:

本demo爬瓜子二手车北京区的数据 (注:需要略懂 node.js / mongodb 不懂也没关系 因为我也不懂啊~~~)

之所以选择爬瓜子二手车网站有两点:

一、网站无需登录,少做模拟登录;

二、数据链接没有加密,直接可以用;

网上很多node.js爬虫的栗子

但大多是一个页面的栗子,很少跟数据库结合的 所以我这个栗子是糖炒的

我的基本思路是这样的

1、先在mongodb里存所有页的链接地址的集合

2、在根据这些链接地址 一个一个的把详细信息爬下来

第一步在搜索页找到翻页的规律

像搜索页北京区第一页就是 

https://www.guazi.com/bj/buy/o1/

第二页

https://www.guazi.com/bj/buy/o2/

规律就是 

https://www.guazi.com/bj/buy/o + number

然后第一页的时候你就可以知道最多50页

这样你就可以循环这些链接在把每个页面的车的详情链接存到mongodb的集合里

第二步读mongodb的集合找出所有的链接 循环链接爬详情页数据

项目目录:

 

目录讲解:

reptile.js      //爬所有链接的;

carinfo.js     //爬车辆详情页;

package.json  //配置文件

package.json:

 1 {
 2   "name": "sell-car",
 3   "version": "1.0.0",
 4   "description": "",
 5   "main": "index.js",
 6   "scripts": {
 7     "test": "echo \\"Error: no test specified\\" && exit 1"
 8   },
 9   "author": "",
10   "license": "ISC",
11   "devDependencies": {
12     "cheerio": "^0.22.0",
13     "mongoose": "^4.7.1"
14   }
15 }

 reptile.js 存mongodb集合   在cmd执行的 node reptile.js 

 1 \'use strict\';
 2 var http = require(\'https\');                      //node https 模块;
 3 var cheerio = require(\'cheerio\');                 //解析html模块;
 4 var mongoose = require(\'mongoose\');               //操作mongodb数据库模块;
 5 mongoose.connect(\'mongodb://localhost/car\');      //链接数据库;
 6 
 7 var num = 0;                                      //当前第几页;
 8 var maxNum = 0;                                   //最大页数;
 9 
10 var url = \'https://www.guazi.com/bj/buy/o\';       //瓜子二手车搜索页北京区;  
11 
12 var PersonSchema = new mongoose.Schema({          //json的结构;
13       address:String   //定义一个属性name,类型为String
14     });
15 
16 var sellCar = mongoose.model(\'sell_car\', PersonSchema );   //创建model
17 
18 
19 fetchPage(url+1);           //主程序开始运行
20 
21 function fetchPage(x) {     //封装了一层函数
22     startRequest(x); 
23 }
24 
25 function startRequest(x) {
26     //采用http模块向服务器发起一次get请求      
27     http.get(x, function (res) {   
28          
29         var html = \'\';             //用来存储请求网页的整个html内容
30         var titles = [];        
31         res.setEncoding(\'utf-8\');  //防止中文乱码
32         //监听data事件,每次取一块数据
33         res.on(\'data\', function (chunk) { 
34 
35             html += chunk;
36 
37         });
38 
39         //监听end事件,如果整个网页内容的html都获取完毕,就执行回调函数
40         res.on(\'end\', function () {
41 
42             var $ = cheerio.load(html);   //采用cheerio模块解析html
43         
44             var $a_src = $(\'.imgtype\');   //读取出当前搜索页每辆车详情的地址;
45 
46             $a_src.each(function(i,obj){   //循环每地址链接存入数据库;
47 
48                 var _src = $(obj).attr(\'href\');
49                 
50 
51                 var carHref = new sellCar({ address: _src });  //存入mongodb;
52                 carHref.save(function (err) {
53                   if (err) {
54                     console.log(err);
55                   }
56                 });
57 
58              })
59 
60          num++;  //页码增加;
61 
62          if( num == 1 ){         //判断是第一次,给最大页数赋值;
63             maxNum = $(\'.pageLink li\').eq($(\'.pageLink li\').length-2).find(\'span\').text();
64          }
65 
66          if( num == maxNum ){    //页数等于最大页数等值程序;
67            return ; 
68          }
69 
70          fetchPage(url+num);
71          
72        });
73 
74     });
75 }

 

carinfo.js 车辆详情 在cmd执行 node  carinfo.js 

  1 \'use strict\';
  2 var http = require(\'https\');                    //node https 模块;
  3 var cheerio = require(\'cheerio\');               //解析html模块;
  4 var mongoose = require(\'mongoose\');             //操作mongodb数据库模块;    
  5 mongoose.connect(\'mongodb://localhost/car\');    //链接数据库;    
  6 
  7 var readCarPer = new mongoose.Schema({          //json的结构;
  8       address:String   
  9     });
 10 
 11 var PersonSchema = new mongoose.Schema({        //定义json类型;
 12         info:String,                  //车;
 13         money:String,                 //价钱;
 14         phone:String,                 //电话号码;
 15         time:String,                  //上牌时间;
 16         mileage:String,               //公里数;
 17         gearbox:String,               //变速箱;
 18         emission:String,              //排放标准;
 19         location:String,              //上牌地;
 20         imgs:Array                    //图片;
 21     });
 22 
 23 var num = 0;
 24 var readCar = mongoose.model(\'sell_cars\',readCarPer);           
 25 var sellCarInfo = mongoose.model(\'sell_carInfo\', PersonSchema );
 26 
 27 var json = null;                      
 28 var url = \'https://www.guazi.com\';    //补链接前边的链接;
 29 var time = null;                      //间隔时间;
 30 var maxNum = 0;                       
 31 
 32 
 33 readCar.find({},function(err, character){   //查找数据;
 34 
 35     console.log(\'成功读取地址\');              
 36 
 37     if(err){
 38         console.log(err);
 39     }else{
 40         json = character;               
 41         maxNum = json.length;
 42         
 43         calls();
 44 
 45     }
 46     
 47 })
 48 
 49 
 50 function calls(){
 51    num++;
 52    if( num > maxNum ){      //判断是否霸区成功;
 53         console.log(\'数据爬去完成~~~\');
 54         return false;
 55    }
 56 
 57    clearTimeout(time);
 58    var lu = json[num].address;
 59 
 60    time = setTimeout(function(){
 61         
 62         fetchPage(url+lu);      //主程序开始运行
 63 
 64    },5000);
 65 
 66 }
 67 
 68 function fetchPage(x) {     //封装了一层函数
 69     startRequest(x); 
 70 }
 71 
 72 function startRequest(x) {
 73     console.log(x);
 74      //采用http模块向服务器发起一次get请求    
 75     http.get(x, function (res) {   
 76          
 77         var html = \'\';        //用来存储请求网页的整个html内容
 78         var titles = [];        
 79         res.setEncoding(\'utf-8\'); //防止中文乱码
 80         //监听data事件,每次取一块数据
 81         res.on(\'data\', function (chunk) { 
 82 
 83             html += chunk;
 84 
 85         });
 86 
 87         //监听end事件,如果整个网页内容的html都获取完毕,就执行回调函数
 88         res.on(\'end\', function () {
 89             
 90             var $ = cheerio.load(html); //采用cheerio模块解析html
 91     
 92             var info = $(\'.dt-titletype\').text()                    //车名;
 93             var money =  $(\'.numtype\').text();                      //钱;
 94             var phone = $(\'.teltype\').eq(0).text();                 //电话
 95             var time = $(\'.assort li\').eq(0).find(\'b\').text();      //上牌时间
 96             var mileage = $(\'.assort li\').eq(1).find(\'b\').text();   //里程数
 97             var gearbox = $(\'.assort li\').eq(2).find(\'b\').text();   //变速箱
 98             var emission = $(\'.assort li\').eq(3).find(\'b\').text();  //排放标准
 99             var location = $(\'.assort li\').eq(4).find(\'b\').text();  //上牌地
100 
101             var $imgs = $(\'.dt-pictype img\');                   
102             var imgs = [];
103 
104             $imgs.each(function(i,obj){                             //图片循环赋值;
105                 var img_src = $(obj).attr(\'data-original\');
106                 imgs.push(img_src);
107             });
108 
109             var carInfos = new sellCarInfo({      //保存数据;
110                 info:info,                                                    
111                 money:money,
112                 phone:phone,
113                 time:time,
114                 mileage:mileage,
115                 gearbox:gearbox,
116                 emission:emission,
117                 location:location,
118                 imgs:imgs 
119             });
120 
121             carInfos.save(function (err) {
122               if (err) {
123                 console.log(err);
124               } else {
125                 console.log(\'成功数据!~~~\');
126                 calls();
127               }
128             });
129         
130        });
131 
132     });
133

 当时爬数据的截屏:

 

后记:

这里我没说 mongodb 安装、启动、设置存储地址 是因为 mongodb本身在window和mac其实是不一样的所以需要你自己在找找别的文章看看怎么配置(注:window跑真的挺蛋疼的。。。。欢迎去感受一下)

这个栗子的第一个条件就是你要现在cmd里跑起来mongodb 要不剩下的都是白瞎

简单的mongodb的增删改查看看 菜鸟教程 就行 实在不行用Robomongo图形界面也行 

说一个小问题

就是我在爬搜索的车辆链接的时候 因为下一页设置的间隔时间比较短 原本2000条的数据最后只爬下来1160,所以爬车辆详情的时候把间隔调成了5秒 需要注意一下;

如图:

 

参考资料:

小小石头的那些事儿  :  http://blog.csdn.net/yezhenxu1992/article/details/50820629

菜鸟教程                :  http://www.runoob.com/mongodb/mongodb-tutorial.html

以上是关于node.js+mongodb 爬虫的主要内容,如果未能解决你的问题,请参考以下文章

基于Node.js开发个性化全网内容抓取平台

Node.js JavaScript 片段中的跳过代码

为啥建议不要在 Node.js 代码的任何地方关闭 MongoDB 连接?

为啥建议不要在 Node.js 代码的任何地方关闭 MongoDB 连接?

使用 Node.js 和 mongodb 处理超时

Node.js umei图片批量下载Node.js爬虫1.00