node爬虫 抓取网页的实现

1、前言

一直感受爬虫是个挺高端的东西 大数据时代 爬虫显得尤其重要。通过一番探索，终于用node实现了这个功能，还包括对抓取内容的解析

2、正文

一、首先搭建一个http服务，这里使用咱们熟悉的koa（这个是非必须的 你也可使用纯node去抓 这里主要为了方便交互、看效果或者给非技术人员使用方便）
服务端 index.js 代码

const Koa = require('koa');
const Router = require('koa-router'); // 路由
const {greenFmt, green, purple} = require('color7log'); // log工具 

const app = new Koa();
const router = new Router();

// 默认页面
router.get('/', async (ctx, next) => {
    ctx.response.type = 'html';
    ctx.response.body = fs.createReadStream('./index.html');
});

app.use(router.routes())

app.listen(3000);
green('服务已运行，端口：3000')

node index.js启动服务 便可访问你的页面了 固然项目下要有一个 index.html 内容请本身解决

二、核心代码 使用node http模块请求一个 html页面

依赖模块，请自行安装

const cheerio = require('cheerio');
const zlib = require('zlib');
const iconv = require('iconv-lite');

var http = require('http') // 引入模块

var url = 'http://kaijiang.500.com/shtml/ssq/03001.shtml'

// 获取页面源码，调用方法进行解析及输出
http.get(url, function(res) {
    var html = ''
    var arr = [];
    var chunks;
    res.on('data', function(data) {
        arr.push(data);
    })

    res.on('end', function() {
        chunks = Buffer.concat(arr);
        chunks = zlib.unzipSync(chunks) // 由于页面时gzip 因此要解压 若是页面时普通文本 不须要这个
        var body = iconv.decode(chunks, 'gbk');  // 转化为可见字符

        var cheerio = require('cheerio'), // 一个用法相似jq的库 node后端使用 很方便的处理各类html模板
        $ = cheerio.load(body); // 初始化dom对象
        let content = $(".iSelectList a")
        let params = []
        for (let i = 0; i < content.length; i++) {
            params.push($(content[i]).html()) // 获取每一期的编码 方便之后遍历使用
        }
        let nums = $(".ball_box01 li")
        for (let i = 0; i < nums.length; i++) {
            green($(nums[i]).html()) // 这里实现了 抓取彩票的中奖号码
        }
        
        // 把各期的编码 写入到文件 方便使用
        fs.writeFile("./data.txt", params.join(','), function(){
            console.log("完成")
        });
    })
}).on('error', function() {
    console.log('获取数据出错！')
})

看页面是否是gzip的方法以下

完整可运行代码地址 node爬虫