nodejs实现一个简单的爬虫

原文链接： http://www.cnblogs.com/woodk/p/6147436.html

nodejs是js语言，实现一个爬出非常的方便。

 

步骤

1. 使用nodejs的request模块，获取目标页面的html代码；
https://github.com/request/request

2. 使用cheerio模块对html代码做处理（cheerio类似jQuery的语法，所以好用又方便）
https://github.com/cheeriojs/cheerio

下面我们借助exprerss来做一个简单的nodejs爬虫系统。
http://www.expressjs.com.cn/

 

具体实现

1. 安装依赖模块

$ npm init

初始化一个项目

npm install express request cheerio --save

安装所需的模块
express用于搭建node服务
request类似于ajax的方式获取一个url里的html代码
cheerio类似于jQuery那样对所获取的html代码进行处理

2. 根目录新建一个app.js

var express = require('express');
var app = express();
var request = require('request');
var cheerio = require('cheerio');

app.get('/', function(req, res) {
 
  request('http://www.jd.com', function(error, response, body) {
    if (!error && response.statusCode == 200) {
      $ = cheerio.load(body);
      res.json({
          cat: $('.cate_menu_item').length
      });
    }
  })
});

var server = app.listen(3000, function() {
  console.log('listening at 3000');
});

项目结构：

这里，我们以京东网站为例子：

统计边栏的类目数量，可以看到$('.cate_menu_item') 的用法完全就像是jQuery的语法，更多例子可以在它的官网查看。

 

查看结果

运行（我们可以全局安装一个node-dev模块来对我们的nodejs程序监听热刷新）

node-dev app

然后访问http://localhost:3000
返回了 {cat:15}

基础部分就是这样，可以借助这几个模块很方便地开发爬虫系统。

另外比如每天几点去爬，获取失败时的处理，也都有相应的node模块可以去实现。

转载于:https://www.cnblogs.com/woodk/p/6147436.html