NodeJS学习：爬虫小探

2014-11-30

3 min read

今天来学习alsotang的爬虫教程，跟着把CNode简单地爬一遍。

建立项目craelr-demo 我们首先建立一个Express项目，然后将app.js的文件内容全部删除，因为我们暂时不需要在Web端展示内容。当然我们也可以在空文件夹下直接 npm install express来使用我们需要的Express功能。
目标网站分析如图，这是CNode首页一部分div标签，我们就是通过这一系列的id、class来定位我们需要的信息。

使用superagent获取源数据 superagent就是ajax API来使用的Http库，~~它的使用方法与jQuery差不多~~，我们通过它发起get请求，在回调函数中输出结果。

 var express = require('express');
 var url = require('url'); //解析操作url
 var superagent = require('superagent'); //这三个外部依赖不要忘记npm install
 var cheerio = require('cheerio');
 var eventproxy = require('eventproxy');

 var targetUrl = 'https://cnodejs.org/';
 superagent.get(targetUrl)
     .end(function (err, res) {
         console.log(res);
     });

它的res结果为一个包含目标url信息的对象，网站内容主要在其text(string)里。

使用cheerio解析 cheerio充当服务器端的jQuery功能，我们先使用它的.load()来载入HTML，再通过CSS selector来筛选元素。

 var $ = cheerio.load(res.text);
 //通过CSS selector来筛选数据
 $('#topic_list .topic_title').each(function (idx, element) {
     console.log(element);
 });

其结果为一个个对象，调用 .each(function(index, element))函数来遍历每一个对象，返回的是HTML DOM Elements。

试着输出 console.log($element.attr('title'));的结果为 广州 2014年12月06日 NodeParty 之 UC 场 之类的标题，输出 console.log($element.attr('href'));的结果为 /topic/545c395becbcb78265856eb2之类的url。再用NodeJS1的url.resolve()函数来补全完整的url。

 superagent.get(tUrl)
     .end(function (err, res) {
         if (err) {
             return console.error(err);
         }
         var topicUrls = [];
         var $ = cheerio.load(res.text);
         // 获取首页所有的链接
         $('#topic_list .topic_title').each(function (idx, element) {
             var $element = $(element);
             var href = url.resolve(tUrl, $element.attr('href'));
             console.log(href);
             //topicUrls.push(href);
         });
     });

使用eventproxy来并发抓取每个主题的内容教程上展示了深度嵌套(串行)方法和计数器方法的例子，eventproxy就是使用事件(并行)方法来解决这个问题。当所有的抓取完成后，eventproxy接收到事件消息自动帮你调用处理函数。

 //第一步：得到一个 eventproxy 的实例
 var ep = new eventproxy();

 //第二步：定义监听事件的回调函数。
 //after方法为重复监听
 //params: eventname(String) 事件名,times(Number) 监听次数, callback 回调函数
 ep.after('topic_html', topicUrls.length, function(topics){
     // topics 是个数组，包含了 40 次 ep.emit('topic_html', pair) 中的那 40 个 pair
     //.map
     topics = topics.map(function(topicPair){
         //use cheerio
         var topicUrl = topicPair[0];
         var topicHtml = topicPair[1];
         var $ = cheerio.load(topicHtml);
         return ({
             title: $('.topic_full_title').text().trim(),
             href: topicUrl,
             comment1: $('.reply_content').eq(0).text().trim()
         });
     });
     //outcome
     console.log('outcome:');
     console.log(topics);
 });

 //第三步：确定放出事件消息的
 topicUrls.forEach(function (topicUrl) {
     superagent.get(topicUrl)
         .end(function (err, res) {
             console.log('fetch ' + topicUrl + ' successful');
             ep.emit('topic_html', [topicUrl, res.text]);
         });
 });

结果如下

扩展练习(挑战)
- 获取留言用户名和积分
在文章页面的源码找到评论的用户class名，classname为reply_author。console.log第一个元素 $('.reply_author').get(0)可以看到，我们需要获取东西都在这里头。
首先，我们先对一篇文章进行抓取，一次性把需要的都得到即可。
```
 var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
 console.log(userHref);
 console.log($('.reply_author').get(0).children[0].data);
```
我们可以通过https://cnodejs.org/user/username抓取积分信息
```
 $('.reply_author').each(function (idx, element) {
		var $element = $(element);
 	console.log($element.attr('href'));
 });
```
在用户信息页面 $('.big').text().trim()即为积分信息。
使用cheerio的函数.get(0)为获取第一个元素。
```
 var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
 console.log(userHref);
```
这只是对于单个文章的抓取，对于40个还有需要修改的地方。未完

Notes:

NodeJS学习：爬虫小探

See Also