使用 superagent 与 cheerio 完成简单爬虫

目标:
建立一个 lesson3 项目,在其中编写代码。
当在浏览器中访问 http://localhost:3000/ 时,输出 CNode(https://cnodejs.org/ ) 社区首页的所有帖子标题和链接,以 json的形式。

知识点:
1. 学习使用 superagent 抓取网页
2. 学习使用 cheerio 分析网页

Node.js中异步的场景运用的很多,其中爬虫的场景就比较适合,可以通过异步并发的方式爬取网站的一些相关信息。
此次主要使用了三个包依赖,分别是express、superagent和cheerio。
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 ) 大家可以理解成一个 Node.js 版的 jquery,用来从网页中以 css selector 取数据,使用方式跟 jQuery 一样一样的。

步骤:
1. 新建文件,然后 npm init;
2. 安装包依赖 npm install –save package_name;
3. 写应用逻辑。

app.js中的代码如下:

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

    var app = express(); 

    app.get('/', function (req, res, next) {
      // 用 superagent 去抓取 https://cnodejs.org/ 的内容
      superagent.get('https://cnodejs.org/')
      .end(function (err, sres) {
      // 常规的错误处理
      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 = [];
      $('#topic_list .topic_title').each(function (idx, element) {
       var $element = $(element);
      items.push({
      title: $element.attr('title'),
              href: $element.attr('href')
              });
             });

                 res.send(items);
            });
        });

     app.listen(3000, function (req, res) {
      console.log('app is running at port 3000');
     });

结果如下图所示:

你可能感兴趣的:(Web前端设计,JavaScript,Node.js)