你的位置:首页 > Java教程

[Java教程]nodejs爬虫系统


 

  • 其中express是服务端框架
  • request相当于前端的ajax请求
  • cheerio相当于jq

 

开始
首先我们先新建一个 crawler目录
执行 npm install express -g 命令 和  npm install express-generator -g 命令
 
接着 cd crawler 进入crawler目录   执行 npm install request --save-dev  和  npm install cheerio --save-dev             
 
然后在我们的目录下建立express项目  直接命令行执行 express
OK 我们的项目目录变成这个样子:

 
接下来
我们首先安装下项目的依赖,执行 npm install 就OK
 
那这样我们的前期工作就做好了。
 
接着
我们打开app.js
我们来修改他。
如下:
 1 var express = require('express'); 2 var app = express(); 3  4 app.get('/', function(req, res) { 5  res.send('hello express'); 6 }); 7  8 app.listen(3000, function() { 9  console.log('listening on 3000');10 });

终端执行 supervisor app.js
(注:supervisor是nodejs中监控进程用的。比如我们修改了app.js 那么supervisor就会自动去重启这个文件,不需要我们手动去node app.js,用户可以通过 npm install supervisor -g 来安装。这个也是我们在nodejs开发中常用到的一个工具)
 
OK。
我们打开127.0.0.1:3000
看到页面上输出了 hello express。 一切正常
 
就下来我们看下request。我们去到npm 里面 request的官网
https://www.npmjs.com/package/request
看到关于他的使用,我们把它趴下来:


 
 
修改我们的app.js

 1 var express = require('express'); 2 var app = express(); 3 var request = require('request'); 4  5 app.get('/', function(req, res) { 6  request('http://www.cnblogs.com/galenyip', function (error, response, body) { 7   if (!error && response.statusCode == 200) { 8    console.log(body);// Show the HTML for the Google homepage.  9    res.send('hello express');10   }11  });12 });13 14 app.listen(3000, function() {15  console.log('listening on 3000');16 });

地址修改成我的博客地址吧。来爬爬我这个博客

OK,刷新我们的页面。等一会,会看到终端打印出了html相关信息。

 

接着,

我们用上 cheerio

在app.js中 我们就入 var cherrio = require('cherrio');

 1 var express = require('express'); 2 var app = express(); 3 var request = require('request'); 4 var cheerio = require('cheerio'); 5  6 app.get('/', function(req, res) { 7  request('http://www.cnblogs.com/galenyip', function (error, response, body) { 8   if (!error && response.statusCode == 200) { 9    $ = cheerio.load(body); //拿到body,作为选择器10   }11  });12 });13 14 app.listen(3000, function() {15  console.log('listening on 3000');16 });

 

同时,我们可以看到  cheerio.load(body)就是我们拿到的页面,把它作为总的选择器。

之后的,我们就可以像操作jq一样操作这个页面了。

具体的api可以到官网:

https://www.npmjs.com/package/cheerio

它的api跟jq很像,那这个就不做介绍了

 

其实,我们的整个爬虫就差不多了。

剩下的就是看客们根据自己的需要,去抓取页面的dom,筛选等等等等。。。。

 

好了。

大体就这么多了。

有不懂的,或者纰漏的,大家可以在评论里面交流拍砖。