node爬虫(简版)

Posted yishifuping

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爬虫(简版)相关的知识,希望对你有一定的参考价值。

做node爬虫,首先像如何的去做这个爬虫,首先先想下思路,我这里要爬取一个页面的数据,要调取网页的数据,转换成页面格式(html+div)格式,然后提取里面独特的属性值,再把你提取的值,传送给你的页面上,在你前端页面显示,或者让你的前端页面能够去调取这些返回的值。

首先要安装以下的依赖

// 调取
npm install --save request-promise
// 转换成页面格式
npm install --save cheerio
// 打开node使用
npm install --save express
// 安装依赖
npm install --save request

  然后在代码中去使用依赖东西,来转换页面格式调取页面值

        // 把网址转换成页面格式
        let result = await request(URI)
        $ = cheerio.load(result)
        // 获取表头文本
        let name = $(‘#activity-name‘).text()
        name = name.replace(/ +/g,"")
        name = name.replace(/[
]/g,"");
        name = `<h1>${name}</h1>`
        // 获取内容文本
        let test = $(‘#js_content‘).text()
        test = test.replace(/[
]/g,"");
        test = `<p>${test}</p>`        

  在页面中获取页面值上面的代码是没有问题的,重点事爬取图片

在普通的浏览器页面上爬取图片的时候,直接获取他的src就可以,但是有些很是特殊的,下面的代码爬取普通的浏览器图片

// 获取图片
        let add = $(‘p img‘)
        let att =[]
        for ( let i=0;i<add.length;i++){
            let imgPath = add.eq(i).attr("src")
            att.push(imgPath)
        }

  在页面上显示(访问自己定的接口)

app.listen(3000, () => {//启动一个3000端口的server服务
    console.log(‘Listening on port 3000‘)
  })

  打开localhost:3000查看效果

技术分享图片

 

 样式我这里没有调,只加了两个语义化标签。给上段完整代码吧

const request = require(‘request-promise‘)
const cheerio = require(‘cheerio‘)
let express = require(‘express‘)
let app = express()
const URI = ‘https://mp.weixin.qq.com/s/MWvlJHu7ptHQMLBpA0u9oA‘

app.get(‘/‘, async (req, res) => {
        // 把网址转换成页面格式
        let result = await request(URI)
        $ = cheerio.load(result)
        // 获取表头文本
        let name = $(‘#activity-name‘).text()
        name = name.replace(/ +/g,"")
        name = name.replace(/[
]/g,"");
        name = `<h1>${name}</h1>`
        // 获取内容文本
        let test = $(‘#js_content‘).text()
        test = test.replace(/[
]/g,"");
        test = `<p>${test}</p>`
        // 获取图片
        let add = $(‘p img‘)
        let att =[]
        for ( let i=0;i<add.length;i++){
            let imgPath = add.eq(i).attr("data-src")
            imgPath = imgPath.split(‘?‘)[0]
            att.push(imgPath)
        }
        let img =att.map(el => {
            let a = `<img src=‘${el}‘>`
            console.log(a)
            return a
        })
        // let data = []
        // data.push(name,test,att)
        let data = ‘‘
        data = name + test + img
        res.send(data)
})

app.listen(3000, () => {//启动一个3000端口的server服务
    console.log(‘Listening on port 3000‘)
  })

  接下来说下获取图片的特殊情况,那就是获取微信公众号文章图片的时候

当你把微信公众号地址转换成代码的时候,他图片转化出来的是一个方法,导致你把页面加载完了,但是图片没有加载出来。(根本就没有src)

技术分享图片

 

我们应该获取的事这个img的src但是他调取页面转换成代码的时候,这个加载图片的事件没有走完,导致src事underfunded

技术分享图片

 

 有谁能解决这个问题吗?帮忙解答一下,困扰我好长时间了!!!!

以上是关于node爬虫(简版)的主要内容,如果未能解决你的问题,请参考以下文章

scrapy按顺序启动多个爬虫代码片段(python3)

scrapy主动退出爬虫的代码片段(python3)

Node.js JavaScript 片段中的跳过代码

Node.js(十三)——Promise重构爬虫代码

Node.js umei图片批量下载Node.js爬虫1.00

node爬虫入门