nodejs学习笔记（1）——网络爬虫

不知不觉作nodejs开发已经将近一年多了，过程当中学了不少，也忘了不少，因此仍是坚持在博客里面留下点内容，方便之后查看。

本文主要实现一个简单的网站爬虫功能，抓取网站里面的图片以及内容。

在抓取以前用到了superagent、cheerio、request、fs模块。

superagent和http用途实际上是差很少的，都是经过url模拟请求，为了记录一下用法，这里两个都用了；cheerio我我的理解就至关于一个服务端的jquery，能够对响应的内容进行过滤，用法跟jquery同样；fs模块是nodejs里面的文件操做模块。

以爬取360网站为例：

 1 /**
 2  * 网络爬虫
 3  */
 4 
 5 let sup = require("superagent");
 6 let cheer = require("cheerio");
 7 let request = require("request");
 8 let fs = require("fs");
 9 const domain = "www.360.com";
10 const url = "https://" + domain + "/";
11 sup.get(url).end(function (err, res, body) {
12     if (err) {
13         console.log(err);
14     } else {
15         console.log('----------------------');
16         //找出页面响应的文本内容 
17         let $ = cheer.load(res.text);
18         //经过cheerio过滤内容  用法与jquery同样   如：找出里面全部的图片
19         let rst = $("img"); 
20         rst.each(function (idx, item) {
21             //这里request.get的encoding必定要设置为null，api文档有说明，为null的时候响应文本会返回一个buffer
22             let imgUrl = ((item.attribs.src.includes(('http://', 'https://'))) ? url : 'http:') + item.attribs.src;

23             console.log('********************', imgUrl);

24             request.get({ url: imgUrl, encoding: null }, function (error, response, body) { 25                 if (error) { 26  console.error(error); 27                 } else { 28                     //持续下载数据
29                     let dir = domain + "/" + item.attribs.src.replace('//', ''); 30                     let path = dir.split('/'); 31                     //去掉最后的文件名部分
32  path.pop(); 33                     if (fs.existsSync(path.join('/')) == false) { 34                         //循环建立文件夹
35                         var dirInfo = ""; 36                         for (var i = 0; i < path.length; i++) { 37                             dirInfo += path[i] + "/"
38                             if (fs.existsSync(dirInfo) == false && dirInfo != '') 39  fs.mkdirSync(dirInfo); 40  } 41  } 42                     //把body的的string转为object写入到文件
43                     fs.writeFile(dir, body, (err) => { 44                         console.log('----------------', err); 45  }) 46  } 47  }) 48  }) 49  } 50 })

 

以上为我的学习记录，只是一个学习的知识点分享，若是不对之处，请留言指出。