4、nodejs使用 superagent 与 cheerio 完成简单爬虫

目标

输出 CNode(https://cnodejs.org/ ) 社区首页的全部帖子标题和连接，以 json 的形式。

• 使用 superagent 抓取网页
• 使用 cheerio 分析网页

内容

安装依赖 express，superagent 和 cheerio

$ npm install express superagent cheerio --save

superagent

superagent是个 http 方面的库，能够发起 get 或 post 请求。 https://cnodejs.org/topic/5378720ed6e2d16149fa16bd

一个简单的post请求，并设置请求头信息的例子

request
    .post('/api/pet')
    .send({ name: 'Manny', species: 'cat' })
    .set('X-API-Key', 'foobar')
    .set('Accept', 'application/json')
    .end(function(res){
         if (res.ok) {
           alert('yay got ' + JSON.stringify(res.body));
         } else {
           alert('Oh no! error ' + res.text);
         }
    });

一个简单的get请求

request
   .get('/search')
   .end(function(res){

   });

请求方法也能够经过参数传递:

request('GET', '/search').end(callback);

delete,head,post,put和别的http动做均可以使用,来换个方法看看:

request
  .head('/favicon.ico')
  .end(function(res){

  });

delete是一个特列,由于它是系统保留的关键字,因此应该用.del()这个名字:

request
  .del('/user/1')
  .end(function(res){

  });

http请求默认的方法为get,因此就像你看到的,下面的这个例子也是可用的:

request('/search', function(res){

 });

cheerio

你们能够理解成一个 Node.js 版的 jquery，用来从网页中以 css selector 取数据，使用方式跟 jquery 同样的。

https://github.com/cheeriojs/cheerio

抓取数据

// 引入依赖
var express = require('express');
var superagent = require('superagent');
var cheerio = require('cheerio');

var app = express();

app.get('/', function(req, res, next) {
    // 用 superagent 去抓取 https://cnodejs.org/ 的内容
    superagent.get('https://cnodejs.org/')
        .end(function(err, sres) {
            if (err) {
                return next(err);
            }

            // sres.text 里面存储着网页的 html 内容，将它传给 cheerio.load 以后,就能够获得一个实现了 jquery 接口的变量，咱们习惯性地将它命名为 `$`
            // 剩下就都是 jquery 的内容了
            var $ = cheerio.load(sres.text);
            
            var items = [];
            var tt = null;
            $('#topic_list .topic_title').each(function(index, elem) {
                var $element = $(elem);
                items.push({
                    title: $element.attr('title'),
                    href: $element.attr('href'),
                });
            });

            res.send(items);
        });
});

app.listen(3000, function (req, res) {
    console.log('app is running at port 3000');
});