使用node.js来实现简单爬虫

[kvkens]

最近因为工作中使用node.js来开发工具，所以想到了分享下之前写的简单爬虫！

目的

• superagent 抓取网页
• cheerio 分析网页

准备

• Node.js
• Express
• Superagent
• Cheerio

文档参考

• superagent(http://visionmedia.github.io/superagent/ ) 是个 http 方面的库，可以发起 get 或 post 请求。
• cheerio(https://github.com/cheeriojs/cheerio )为服务器特别定制的，快速、灵活、实施的jQuery. 用来从网页中以 css selector 取数据，使用方式跟 jquery 一样。

具体编码

这里我就拿正妹的博客做演示了……

var express = require('express');
var superagent = require('superagent');
var cheerio = require('cheerio');

var app = express();
app.get('/', function (req, res, next) {
    superagent.get('http://www.cnblogs.com/rubylouvre/')
        .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 之后
            // 就可以得到一个实现了 jquery 接口的变量，我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 = [];
            $("#main > .post h2 > a").each(function (index, element) {
                var $element = $(element);
                items.push({
                    "title": $(this).text(),
                    "url": $(this).attr("href")
                });
            });
            res.send(items);
        });
});

app.listen(4000, function () {
    console.log('app is listenling at port 4000');
});

是不是非常简单，这个只是最初级的爬虫，一般复杂的需要匹配正则筛选主要的数据进行入库如MongoDB等，不同层级、翻页爬数据这才是一个合格的爬虫。