NodeJS学习（2）构建第一个爬虫
前言
一般来讲，提到爬虫，目前搭建也都喜欢使用python，不可否认，python确实有它方便的地方，上手简单，容易等等很多优点；
前一段时间也写了不少爬虫的文章，但是发现在爬取大量数据和存贮大量的数据时，只用python，效率确实不高。
毕竟虽然python也有多线程这些内容，但本质上它还是一个单线程的东东，在并发上，python的优势不是很明显。
从这篇文章开始，我写点NodeJS相关的爬虫文章，即是记录一下自己的的学习成果，也是分享。
正文
创建工程
创建自己的工作目录，然后构建工作环境如下：
E:\>mkdir myNodeJS
E:\>cd myNodeJS
E:\myNodeJS>mkdir firstSpider
E:\myNodeJS>cd firstSpider
E:\myNodeJS\firstSpider>npm init在输入 npm init 之后， 会出现一些列询问的语句，可以暂时全部一路回车
This utility will walk you through creating a package.json file.
It only covers the most common items, and tries to guess sensible defaults.
See `npm help json` for definitive documentation on these fields
and exactly what they do.
Use `npm install ` afterwards to install a package and
save it as a dependency in the package.json file.
Press ^C at any time to quit.
package name: (firstspider)
version: (1.0.0)
description:
entry point: (index.js)
test command:
git repository:
keywords:
author:
license: (ISC)
About to write to E:\myNodeJS\firstSpider\package.json:
{
"name": "firstspider",
"version": "1.0.0",
"description": "",
"main": "index.js",
"scripts": {
"test": "echo \"Error: no test specified\" && exit 1"
},
"author": "",
"license": "ISC"
}
Is this ok? (yes) npm init 是在当前目录创建模块（也就是生成 package.json）其文件属性说明如下
- name - 包名。
- version - 包的版本号。
- description - 包的描述。
- homepage - 包的官网 url 。
- author - 包的作者姓名。
- contributors - 包的其他贡献者姓名。
- dependencies - 依赖包列表。如果依赖包没有安装，npm 会自动将依赖包安装在 node_module 目录下。
- repository - 包代码存放的地方的类型，可以是 git 或 svn，git 可在 Github 上。也就是你 Git 的仓库地址
- main - main 字段是一个模块ID，它是一个指向你程序的主要项目。就是说，如果你包的名字叫 express，然后用户安装它，然后require(“express”)。
- keywords - 关键字
这些内容现在都没有填写，不过可以在这个工程目录下的json文件（package.json）中去随时修改
安装库
安装必要的一些库，这里安装一些爬虫用到的两个库，一个request，一个cheerio
- request，跟python里request功能差不多。它的功能就是建立起对目标网页的链接，并返回相应的数据。是我们做爬虫获取数据的重要一步。
- cheerio的功能是用来操作 dom 元素的，他可以把 request 返回来的数据转换成可供 dom 操作的数据，更重要的 cheerio 的 api 跟 jquery 一样，用$来选取对应的dom结点，这样就可以想取啥就取啥，感谢强大的 DOM
安装命令如下
E:\myNodeJS\firstSpider>npm install cheerio
E:\myNodeJS\firstSpider>npm install request主程序
到这里可以新建文件，写代码了。
新建一个 js 文件，如果是主入口文件名称应该注意和 package.json 中 entry point 一致。
这里我们新建一个 名为 onespider.js 的文件
建立依赖引用，代码如下
var request=require("request");
var cheerio=require("cheerio");构建请求，获取百度主页的内容
request('https://www.baidu.com',function(err,result){
if(err){
console.log("请求错误："+err);
return
}
console.log(result.body);
});
到这一步，大致的一个小爬虫就写完了，接下来，运行一下，看看跟预期中的效果一样不：
E:\myNodeJS\firstSpider>node onespider.js
程序运行之后，大致输出如下：
百度一下，你就知道
这样来看，第一个程序写的还算成功，如预期一样，拿到了我们想要的网页内容。
接下来执行第二部，处理拿到的网页数据
目的是获取一下网页的title,怎么找到titile在网页的位置？依然是借助与F12 工具在网页上简单的查看一下，这里刚才上面的输出其实已经看到了。
现在通过代码处理一下刚才获取到的网页内容，得到title：
//console.log(result.body);
var page=cheerio.load(result.body);
console.log(page('title').text());然后输出如下：
E:\myNodeJS\firstSpider>node onespider.js
百度一下，你就知道
这样使用NodeJS 构建的第一个爬虫就这样完成了~
完整代码
var request=require("request"); //导入依赖
var cheerio=require("cheerio"); //导入依赖
request('http://www.baidu.com',function(err,result){
if(err){ //错误处理
console.log("请求错误："+err);
return
}
//console.log(result.body); //直接输出结果
var page=cheerio.load(result.body); //将得到的网页内容重新交给cheerio处理
console.log(page('title').text()); //获取标题
});