nodejs 爬取前端面经并生成词云

前言

最近有 CVTE 的面试但是一直没有到我，昨天下午牛客网上 CVTE 前端的面经突然多了起来，大致看了一下，和自己之前整理的知识点差的不多，但是基本都问了 nodejs 的问题。正好之前的爬虫都没有做过词云，借着这个机会爬一下牛客网的前端面经，顺便生成词云，看看面试中哪些比较重要

准备工作

基本的步骤前面几篇爬虫都有了，不过还是重写写一下吧。

• 创建一个文件夹，我这里叫 spider
• 右键点击这个文件夹，有个 CMD 快速通道，点击打开 CMD
• 执行 npm init 命令，一路回车，最后 yes
  
  运行完以后，会多出一个 package.json 的文件夹，里面放的是一些项目的信息
• 在 spider 文件夹下新建一个 index.js 文件用来写我们的代码。
• 创建一个 data 文件夹用于放我们所需要的数据
• 安装项目所需要的依赖包
  npm istall cheerio --save 这个是用来提取 html 页面内容的
  npm istall async --save 这个是用来异步并发爬虫的
  npm istall node-gyp --save 这个用于编译原生C++扩展模块
  npm istall nodejieba --save 这个是用来分词的
  其中安装的时候有点小坑，需要有VC++库、python库，可以参考这篇文章 nodejieba安装记（Windows）

网页结构分析

基本的准备工作做完了，下面开始分析牛客网的网页，其实没什么难的，很容易分析出来我们需要的网页在这

即类名为 discuss-main 和 clearfix 下面的第一个 元素。代码如下

$('li .discuss-main.clearfix').each(function(){
    var title=$(this).children().first().text();     
    // 这里是为了根据关键词查询，如果标题有我们设置的关键词，再把链接放到数组中          
          if(title.indexOf(keyWord)>=0){ 
           var search=$(this).children().first().attr('href');
           let nextLink = "https://www.nowcoder.com" + search;
           urlList.push(nextLink);
    }
 })

接下来就是页面里面的实际内容，也很容易分析

即类名为 post-topic-des 下的文本
至此页面分析工作做完，接下来就是使用 nodejieba 模块来分词

分词生成词云

关于 nodejieba 的用法可以参考这篇文章 使用 Node.js 对文本内容分词和关键词抽取
由于 const result = nodejieba.extract(data, 40); 得到的结果是对象，所以写入文件之前需要将其转换为 JSON 字符串，用 JSON.stringify(result)。然后对字符串进行处理
代码如下

function wordCluod(){
    fs.readFile('./data/word.txt', 'utf8', function(err, data){
        nodejieba.load({
            userDict: './user.utf8',
        });
        const result = nodejieba.extract(data, 20); 
        let text = "";
        for(let i in result){
            text += text[i].word + " " + Math.ceil(text[i].weight) + "\n";
        }
        fs.writeFile('./data/'+'wordCloud'+'.txt',text, 'utf-8', function (err) {
          if (err) {
            console.log(err);
          }
        });
    }); 
}

但是这样有一个问题，因为他是根据词频选取的，所以有一些没用的词比如面试官，一面等词语就会混入到我们的词中，所以我们需要将有用的信息过滤出来

const tagList = ['原型', '闭包', 'HTTP', 'CORP', 'TCP', 'https','跨域','XSS','安全','事件','VUE','CSS','算法','线程','NODE'];
let textNo = JSON.stringify(result.filter(item => tagList.indexOf(item.word.toUpperCase()) >= 0));  

生成数据如下

和我想象的还是有些差距的，可能程序并不是太完善，然后就可以把数据导入到任何一个在线词云里面了

完整代码

const https=require('https');
const fs=require('fs');
const request=require('request');
const async=require('async');
const cheerio = require('cheerio');
const nodejieba = require('nodejieba');
const startPage =0;//开始页
const endPage = 4;//结束页
const keyWord = "";//关键词
const keyWord2 = "前端";
let page=startPage;
let i=0;
//初始url
const url={ 
    hostname: 'www.nowcoder.com',
    path: '/discuss?type=2&order=' + startPage,
    headers: {
        'Content-Type': 'text/html',
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36',  
  }
}
let urlList=[];//存储图片页面地址
//获取图片所在页面
function getUrl(url){
    //采用http模块向服务器发起一次get请求  
    https.get(url,function(res){
        var html='';
        //res.setEncoding('binary');
        //监听data事件，每次取一块数据
        res.on('data',function(chunk){
            html+=chunk;
        });
        res.on('end',function(){
            var $ = cheerio.load(html); //采用cheerio模块解析html
            $('li .discuss-main.clearfix').each(function(){
                var title=$(this).children().first().text();               
                if(title.indexOf(keyWord2)>=0){
                    var search=$(this).children().first().attr('href');
                    //console.log(search);
                    let nextLink = "https://www.nowcoder.com" + search;
                    urlList.push(nextLink);
                }
            })
            page++;     
            if(page<=endPage){
                let tempUrl='https://www.nowcoder.com/discuss?type=2&order=' + page;
                getUrl(tempUrl);        
            }else{
                fetchPage();
            }
        })
    }).on('err',function(err){
        console.log(err);
    })
}
function fetchPage(){
    //异步控制并发
    async.mapLimit(urlList,5,function(url,callback){
        https.get(url,function(res){
            //console.log(url);
            let html='';
            //res.setEncoding('binary');
            res.on('data',function(chunk){
                html+=chunk;
            })
            res.on('end',function(){
                //console.log(html);
                var $ = cheerio.load(html); //采用cheerio模块解析html
                var content = $('.post-topic-des').text().trim();
                //console.log(content);
                appendText(content);
            })

        }).on('err',function(err){
                console.log(err);
            });
        callback(null,'成功');
    },
    function(err,result){
        if (err){
                console.log(err)
            }
        else{
            console.log('结束');
            wordCluod();
            }           
        })
}
function appendText(text){
    fs.appendFile('./data/word.txt', text, 'utf-8', function (err) {
      if (err) {
        console.log(err);
      }
    });
}
// 生成词云数据
function wordCluod(){
    fs.readFile('./data/word.txt', 'utf8', function(err, data){
        nodejieba.load({
            userDict: './user.utf8',
        });
        const result = nodejieba.extract(data, 120);
        const tagList = ['原型', '闭包', 'HTTP', 'CORP', 'TCP', 'HTTPS','跨域','XSS','安全','事件循环','VUE','CSS','算法','线程','NODE','','缓存','内存','作用域链','垂直居中','布局','状态码','原型链','ES6','箭头函数',"PROMISE",'垃圾回收','优化'];
        let textNo = JSON.stringify(result.filter(item => tagList.indexOf(item.word.toUpperCase()) >= 0));      
        let text = JSON.parse(textNo);
        let temp = "";
        for(let i in text){
            temp += text[i].word + " " + Math.ceil(text[i].weight) + "\n";
        }
        fs.writeFile('./data/'+'wordCloud'+'.txt',temp, 'utf-8', function (err) {
          if (err) {
            console.log(err);
          }
        });
    });

}


getUrl(url);//主程序开始运行

效果图

最终效果如图所示

github 地址

https://github.com/zhang6223284/spider