Node.js实现简单爬虫 讲解

一、什么是爬虫

网络爬虫(又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者)，是一种按照一定规则，自动的抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

• 搜索引擎
• 今日头条/网易新闻
• .抢票软件
  • 最终都指向的是 12306
• 比价网
• ·淘宝
• 京东
• 拼多多

在生活中网络爬虫经常出现，搜索引擎就离不开网络爬虫。例如，百度搜索引擎的爬虫名字叫作百度蜘蛛(Baiduspider)。百度蜘蛛，是百度搜索引擎的一个自动程序。它每天都会在海量的互联网信息中进行爬取，收集并整理互联网上的网页、图片视频等信息。当用户在百度搜索引擎中输入对应的关键词时，百度将从收集的网络信息中找出相关的内容，按照一定的顺序将信息展现给用户。

二、接口抓取

如果网站提供了接口，那么就直接请求获取接口得到数据

// 请求获取接口数据

// 前端发请求：
//   XMLHttpRequest：axios
//   Fetch

// Node.js 发请求
// tcp  模块，最麻烦
// http 模块，
// const http = require('http')
// http.request()
// 为了方便，也有一些封装好的第三方库：request、axios
// axios 既可以在浏览器使用也可以在 Node 中使用
// 1. 都是 JavaScript
// 2. 在不同的平台做了适配，浏览器：XMLHttpRequest，Node：http

const axios = require('axios')

axios({
  url: 'https://blackhole-m.m.jd.com/getinfo',
  method: 'POST',
  // params: {}, // 查询参数
  data: {
    appname: 'jdwebm_pv',
    jdkey: '',
    isJdApp: false,
    jmafinger: '',
    whwswswws: 'eQY7noLwJFCJEuiO9SCt4Tw',
    businness: 'ProDetail',
    body: {
      sid: '80ff0fd789ec316ae0c222d686a51c2d',
      squence: '4',
      create_time: '1647001099375',
      shshshfpa: 'b0271365-4825-0def-83a7-9c6dc52c94a6-1647001029',
      ecflag: 'e',
      whwswswws: 'eQY7noLwJFCJEuiO9SCt4Tw',
      jdkey: '',
      isJdApp: false,
      jmafinger: '',
      browser_info: '23b8dc51f2f5538686ab08c97bf506a4',
      page_name: 'https://item.jd.com/100016777690.html',
      page_param: '',
      cookie_pin: '',
      msdk_version: '2.4.4',
      wid: '',
      pv_referer: 'https://list.jd.com/',
      lan: 'zh-CN',
      scrh: 864,
      scrah: 816,
      scrw: 1536,
      scaw: 1536,
      oscpu: '',
      platf: 'Win32',
      pros: '20030107',
      temp: 33,
      hll: false,
      hlr: false,
      hlo: false,
      hlb: false
    }
  } // 请求体数据
  // headers: {} // 请求头
}).then(res => {
  console.log(res.data)
})

三、网页抓取

一些安全性比较高的网站会设置反爬虫，一般会校验请求头user-agent字段，判断请求来源(当然不全是)

const axios = require('axios')
const fs = require('fs')
const cheerio = require('cheerio') // 类似jq，在node环境下操作dom

const getPage = async () => {
  const { data } = await axios.get('https://item.jd.com/100016777690.html', {
    headers: {
      'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36 Edg/99.0.1150.36'
    }
  })
  return data
  // data 是什么？字符串
  // fs.writeFileSync('jd.html', data)
  // console.log('抓取网页成功')
}

// const main = async () => {
//   // const pageData = await getPage()
//   const $ = cheerio.load(`
//     
//     
//     
//       
//       
//       
//       
//     
//     
//       
hello
//       
我是 p1
//       
我是 p2
//       
我是 p3
//     
//     
//   `)
//   console.log($('#p1').text())
//   console.log($('#p1').attr('foo'))
//   console.log($('#p2').text())
//   $('#p1').addClass('abc')
//   console.log($.html())
// }

const main = async () => {
  const pageData = await getPage()
  const $ = cheerio.load(pageData)
  console.log(`
  标题：${$('.sku-name').text().trim()}
  价格：${$('.price').text().trim()}
  `)
}

main()

四、puppeteer

puppeteer是chrome团队开发的一个node库，可以通过api来控制浏览器的行为(模拟浏览器)，比如点击、跳转、刷新，在控制台执行javascript脚本等。通过这个工具可以用来处理爬虫、制动签到、网页截图、生成pdf、自动化测试等。

const puppeteer = require('puppeteer')

;(async () => {
  // 1. 打开浏览器
  const browser = await puppeteer.launch()

  // 2. 新建一个标签页
  const page = await browser.newPage()

  // 3. 输入地址敲回车
  await page.goto('https://item.jd.com/100016777690.html')

  // 4. 操作：
  //    对加载完毕的网页进行截图
  await page.screenshot({ path: '100016777690.png' })

  // 5. 关闭浏览器
  await browser.close()
})()

五、抓取文章

const cheerio = require('cheerio')
const axios = require('axios')
const url = require('url')
const fs = require('fs')

const request = axios.create({
  baseURL: 'https://cnodejs.org/' // 基础路径
})

const getLastPage = async () => {
  const { data } = await request({
    method: 'GET',
    url: '/',
    params: { // tab=all&page=1
      tab: 'all',
      page: 1
    }
  })

  const $ = cheerio.load(data)

  const paginations = $('.pagination a')

  const lastPageHref = paginations.eq(paginations.length - 1).attr('href')

  const { query } = url.parse(lastPageHref, true)

  return query.page
}

// 需求：获取 cnodejs.org 网站所有的文章列表（文章标题、发布时间、文章内容）
//      并且将该数据存储到数据库中

// 获取所有文章列表
const getArticles = async () => {
  const lastPage = await getLastPage()
  const links = []
  for (let page = 1; page <= lastPage; page++) {
    const { data } = await request({
      method: 'GET',
      url: '/',
      params: { // tab=all&page=1
        tab: 'all',
        page
      }
    })
    const $ = cheerio.load(data)
    $('.topic_title').each((index, element) => {
      const item = $(element) // 转换为 $ 元素
      links.push(item.attr('href'))
    })
    // 每次抓取完一页的数据就等待一段时间，太快容易被发现
    await new Promise(resolve => {
      setTimeout(resolve, 500)
    })
    console.log(links.length)
  }
  return links
}

// 获取文章内容
const getArticleContent = async (url) => {
  const { data } = await request({
    method: 'GET',
    url
  })
  const $ = cheerio.load(data)
  const title = $('.topic_full_title').text().trim()
  const changes = $('.changes span')
  const date = changes.eq(0).text().trim()
  const author = changes.eq(1).find('a').text().trim()
  const content = $('.markdown-text').html()
  return {
    title,
    author,
    date,
    content
  }
}

const main = async () => {
  // 1. 获取所有文章列表链接
  const articles = await getArticles()
  // 2. 遍历文章列表
  for (let i = 0; i < articles.length; i++) {
    const link = articles[i]
    const article = await getArticleContent(link)
    fs.appendFileSync('./db.txt', `
标题：${article.title}
作者：${article.author}
发布日期：${article.date}
文章内容：${article.content}
\r\n\r\n\r\n\r\n
`)
    console.log(`${link} 抓取完成`)
    await wait(500)
  }
}

main()

function wait (time) {
  return new Promise(resolve => {
    setTimeout(() => {
      resolve()
    }, time)
  })
}