新聞中心
前言
成都創(chuàng)新互聯(lián)專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務,包含不限于網(wǎng)站設計制作、做網(wǎng)站、佛山網(wǎng)絡推廣、微信小程序開發(fā)、佛山網(wǎng)絡營銷、佛山企業(yè)策劃、佛山品牌公關、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運營等,從售前售中售后,我們都將竭誠為您服務,您的肯定,是我們最大的嘉獎;成都創(chuàng)新互聯(lián)為所有大學生創(chuàng)業(yè)者提供佛山建站搭建服務,24小時服務熱線:18982081108,官方網(wǎng)址:www.cdcxhl.com
之前已經(jīng)介紹了node.js的一些基本知識,下面這篇文章我們的目標是學習完本節(jié)課程后,能進行網(wǎng)頁簡單的分析與抓取,對抓取到的信息進行輸出和文本保存。
爬蟲的思路很簡單:
- 確定要抓取的URL;
- 對URL進行抓取,獲取網(wǎng)頁內(nèi)容;
- 對內(nèi)容進行分析并存儲;
- 重復第1步
在這節(jié)里做爬蟲,我們使用到了兩個重要的模塊:
- request : 對http進行封裝,提供更多、更方便的接口供我們使用,request進行的是異步請求。更多信息可以去這篇文章上進行查看
- cheerio : 類似于jQuery,可以使用$(), find(), text(), html()等方法提取頁面中的元素和數(shù)據(jù),不過若仔細比較起來,cheerio中的方法不如jQuery的多。
一、 hello world
說是hello world,其實首先開始的是最簡單的抓取。我們就以cnode網(wǎng)站為例(https://cnodejs.org/),這個網(wǎng)站的特點是:
- 不需要登錄即可訪問首頁和其他頁面
- 頁面都是同步渲染的,沒有異步請求的問題
- DOM結構清晰
代碼如下:
var request = require('request'), cheerio = require('cheerio'); request('https://cnodejs.org/', function(err, response, body){ if( !err && response.statusCode == 200 ){ // body為源碼 // 使用 cheerio.load 將字符串轉換為 cheerio(jQuery) 對象, // 按照jQuery方式操作即可 var $ = cheerio.load(body); // 輸出導航的html代碼 console.log( $('.nav').html() ); } });
這樣的一段代碼就實現(xiàn)了一個簡單的網(wǎng)絡爬蟲,爬取到源碼后,再對源碼進行拆解分析,比如我們要獲取首頁中第1頁的 問題標題,作者,跳轉鏈接,點擊數(shù)量,回復數(shù)量。通過chrome,我們可以得到這樣的結構:
每個div[.cell]
是一個題目完整的單元,在這里面,一個單元暫時稱為$item
{ title : $item.find('.topic_title').text(), url : $item.find('.topic_title').attr('href'), author : $item.find('.user_avatar img').attr('title'), reply : $item.find('.count_of_replies').text(), visits : $item.find('.count_of_visits').text() }
因此,循環(huán)div[.cell]
,就可以獲取到我們想要的信息了:
request('https://cnodejs.org/?_t='+Date.now(), function(err, response, body){ if( !err && response.statusCode == 200 ){ var $ = cheerio.load(body); var data = []; $('#topic_list .cell').each(function(){ var $this = $(this); // 使用trim去掉數(shù)據(jù)兩端的空格 data.push({ title : trim($this.find('.topic_title').text()), url : trim($this.find('.topic_title').attr('href')), author : trim($this.find('.user_avatar img').attr('title')), reply : trim($this.find('.count_of_replies').text()), visits : trim($this.find('.count_of_visits').text()) }) }); // console.log( JSON.stringify(data, ' ', 4) ); console.log(data); } }); // 刪除字符串左右兩端的空格 function trim(str){ return str.replace(/(^\s*)|(\s*$)/g, ""); }
二、爬取多個頁面
上面我們只爬取了一個頁面,怎么在一個程序里爬取多個頁面呢?還是以CNode網(wǎng)站為例,剛才只是爬取了第1頁的數(shù)據(jù),這里我們想請求它前6頁的數(shù)據(jù)(別同時抓太多的頁面,會被封IP的)。每個頁面的結構是一樣的,我們只需要修改url地址即可。
2.1 同時抓取多個頁面
首先把request請求封裝為一個方法,方便進行調(diào)用,若還是使用console.log
方法的話,會把6頁的數(shù)據(jù)都輸出到控制臺,看起來很不方便。這里我們就使用到了上節(jié)文件操作內(nèi)容,引入fs模塊,將獲取到的內(nèi)容寫入到文件中,然后新建的文件放到file目錄下(需手動創(chuàng)建file目錄):
// 把page作為參數(shù)傳遞進去,然后調(diào)用request進行抓取 function getData(page){ var url = 'https://cnodejs.org/?tab=all&page='+page; console.time(url); request(url, function(err, response, body){ if( !err && response.statusCode == 200 ){ console.timeEnd(url); // 通過time和timeEnd記錄抓取url的時間 var $ = cheerio.load(body); var data = []; $('#topic_list .cell').each(function(){ var $this = $(this); data.push({ title : trim($this.find('.topic_title').text()), url : trim($this.find('.topic_title').attr('href')), author : trim($this.find('.user_avatar img').attr('title')), reply : trim($this.find('.count_of_replies').text()), visits : trim($this.find('.count_of_visits').text()) }) }); // console.log( JSON.stringify(data, ' ', 4) ); // console.log(data); var filename = './file/cnode_'+page+'.txt'; fs.writeFile(filename, JSON.stringify(data, ' ', 4), function(){ console.log( filename + ' 寫入成功' ); }) } }); }
CNode分頁請求的鏈接:https://cnodejs.org/?tab=all&page=2,我們只需要修改page的值即可:
var max = 6; for(var i=1; i<=max; i++){ getData(i); }
這樣就能同時請求前6頁的數(shù)據(jù)了,執(zhí)行文件后,會輸出每個鏈接抓取成功時消耗的時間,抓取成功后再把相關的信息寫入到文件中:
$ node test.js 開始請求... https://cnodejs.org/?tab=all&page=1: 279ms ./file/cnode_1.txt 寫入成功 https://cnodejs.org/?tab=all&page=3: 372ms ./file/cnode_3.txt 寫入成功 https://cnodejs.org/?tab=all&page=2: 489ms ./file/cnode_2.txt 寫入成功 https://cnodejs.org/?tab=all&page=4: 601ms ./file/cnode_4.txt 寫入成功 https://cnodejs.org/?tab=all&page=5: 715ms ./file/cnode_5.txt 寫入成功 https://cnodejs.org/?tab=all&page=6: 819ms ./file/cnode_6.txt 寫入成功
我們在file目錄下就能看到輸出的6個文件了。
2.2 控制同時請求的數(shù)量
我們在使用for循環(huán)后,會同時發(fā)起所有的請求,如果我們同時去請求100、200、500個頁面呢,會造成短時間內(nèi)對服務器發(fā)起大量的請求,最后就是被封IP。這里我寫了一個調(diào)度方法,每次同時最多只能發(fā)起5個請求,上一個請求完成后,再從隊列中取出一個進行請求。
/* @param data [] 需要請求的鏈接的集合 @param max num 最多同時請求的數(shù)量 */ function Dispatch(data, max){ var _max = max || 5, // 最多請求的數(shù)量 _dataObj = data || [], // 需要請求的url集合 _cur = 0, // 當前請求的個數(shù) _num = _dataObj.length || 0, _isEnd = false, _callback; var ss = function(){ var s = _max - _cur; while(s--){ if( !_dataObj.length ){ _isEnd = true; break; } var surl = _dataObj.shift(); _cur++; _callback(surl); } } this.start = function(callback){ _callback = callback; ss(); }, this.call = function(){ if( !_isEnd ){ _cur--; ss(); } } } var dis = new Dispatch(urls, max); dis.start(getData);
然后在 getData 中,寫入文件的后面,進行dis的回調(diào)調(diào)用:
var filename = './file/cnode_'+page+'.txt'; fs.writeFile(filename, JSON.stringify(data, ' ', 4), function(){ console.log( filename + ' 寫入成功' ); }) dis.call();
這樣就實現(xiàn)了異步調(diào)用時控制同時請求的數(shù)量。
三、抓取需要登錄的頁面
比如我們在抓取CNode,百度貼吧等一些網(wǎng)站,是不需要登錄就可以直接抓取的,那么如知乎等網(wǎng)站,必須登錄后才能抓取,否則直接跳轉到登錄頁面。這種情況我們該怎么抓取呢?
使用cookie。 用戶登錄后,都會在cookie中記錄下用戶的一些信息,我們在抓取一些頁面,帶上這些cookie,服務器就會認為我們處于登錄狀態(tài),程序就能抓取到我們想要的信息。
先在瀏覽器上登錄我們的帳號,然后在console中使用document.domain
獲取到所有cookie的字符串,復制到下方程序的cookie處(如果你知道哪些cookie不需要,可以剔除掉)。
request({ url:'https://www.zhihu.com/explore', headers:{ // "Referer":"www.zhihu.com" cookie : xxx } }, function(error, response, body){ if (!error && response.statusCode == 200) { // console.log( body ); var $ = cheerio.load(body); } })
同時在request中,還可以設定referer,比如有的接口或者其他數(shù)據(jù),設定了referer的限制,必須在某個域名下才能訪問。那么在request中,就可以設置referer來進行偽造。
四、保存抓取到的圖片
頁面中的文本內(nèi)容可以提煉后保存到文本或者數(shù)據(jù)庫中,那么圖片怎么保存到本地呢。
圖片可以使用request中的pipe方法輸出到文件流中,然后使用fs.createWriteStream
輸出為圖片。
這里我們把圖片保存到以日期創(chuàng)建的目錄中,mkdirp可一次性創(chuàng)建多級目錄(./img/2017/01/22)。保存的圖片名稱,可以使用原名稱,也可以根據(jù)自己的規(guī)則進行命名。
var request = require('request'), cheerio = require('cheerio'), fs = require('fs'), path = require('path'), // 用于分析圖片的名稱或者后綴名 mkdirp = require('mkdirp'); // 用于創(chuàng)建多級目錄 var date = new Date(), year = date.getFullYear(), month = date.getMonth()+1, month = ('00'+month).slice(-2), // 添加前置0 day = date.getDate(), day = ('00'+day).slice(-2), // 添加前置0 dir = './img/'+year+'/'+month+'/'+day+'/'; // 根據(jù)日期創(chuàng)建目錄 ./img/2017/01/22/ var stats = fs.statSync(dir); if( stats.isDirectory() ){ console.log(dir+' 已存在'); }else{ console.log('正在創(chuàng)建目錄 '+dir); mkdirp(dir, function(err){ if(err) throw err; }) } request({ url : 'http://desk.zol.com.cn/meinv/?_t='+Date.now() }, function(err, response, body){ if(err) throw err; if( response.statusCode == 200 ){ var $ = cheerio.load(body); $('.photo-list-padding img').each(function(){ var $this = $(this), imgurl = $this.attr('src'); var ext = path.extname(imgurl); // 獲取圖片的后綴名,如 .jpg, .png .gif等 var filename = Date.now()+'_'+ parseInt(Math.random()*10000)+ext; // 命名方式:毫秒時間戳+隨機數(shù)+后綴名 // var filename = path.basename(imgurl); // 直接獲取圖片的原名稱 // console.log(filename); download(imgurl, dir+filename); // 開始下載圖片 }) } }); // 保存圖片 var download = function(imgurl, filename){ request.head(imgurl, function(err, res, body) { request(imgurl).pipe(fs.createWriteStream(filename)); console.log(filename+' success!'); }); }
在對應的日期目錄里(如./img/2017/01/22/),就可以看到下載的圖片了。
總結
我們這里只是寫了一個簡單的爬蟲,針對更復雜的功能,則需要更復雜的算法的來控制了。還有如何抓取ajax的數(shù)據(jù),我們會在后面進行講解。以上就是這篇文章的全部內(nèi)容了,希望本文的內(nèi)容對大家的學習或者工作能帶來一定的幫助,小編還會繼續(xù)分享關于node入門學習的文章,感興趣的朋友們請繼續(xù)關注創(chuàng)新互聯(lián)。
網(wǎng)頁題目:從零學習node.js之簡易的網(wǎng)絡爬蟲(四)
瀏覽路徑:http://www.dlmjj.cn/article/iesdsh.html