使用nodejs爬前程无忧前端技能排行（半半成品）

最近准备换工作，需要更新一下技能树。为做到有的放矢，想对招聘方的要求做个统计。正好之前了解过nodejs，所以做了个爬虫搜索数据。

具体步骤：

1．  先用fiddler分析请求需要的header和body。

2．  再用superagent构建上述数据发送客户端请求。

3．  最后对返回的数据使用cheerio整理。

折腾了几个晚上，只搞出了个架子，剩余工作等有时间再继续开发。

/*使用fiddler抓包，需要配置lan代理，且设置如下参数*/
process.env.https_proxy = "http://127.0.0.1:8888";
process.env.http_proxy = "http://127.0.0.1:8888";
process.env.NODE_TLS_REJECT_UNAUTHORIZED = "0";

/*使用到的模块*/
var request = require('superagent');    //发送客户端请求
require('superagent-proxy')(request);   //使用代理发送请求
var cheerio = require('cheerio');       //以jq类似的方法操作返回的字符，不需要用正则
require('superagent-charset')(request);//node不支持gbk,gb2312,this will add request.Request.prototype.charset.
var async = require('async');           //异步流控制模块
var fs = require('fs');

/*相关参数，通过fiddler抓包后复制过来*/
var ws = fs.createWriteStream('res.html',{flags:'w+'}); //a+追加的读写模式，w+覆盖
var loginUrl = "https://login.51job.com/login.php";
var searchUrl = "http://search.51job.com/jobsearch/search_result.php";
var queryStrings = "fromJs=1&jobarea=020000&keyword=%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91&keywordtype=2&lang=c&stype=2&postchannel=0000&fromType=1&confirmdate=9";
var loginForms = {
    lang: 'c',
    action: 'save',
    from_domain: 'i',
    loginname: '***',   //自己的用户名和密码
    password: '***',
    verifycode: '',
    isread: 'on'
};
var searchForms = {
    lang: 'c',
    stype: '2',
    postchannel: '0000',
    fromType: '1',
    line: '',
    confirmdate: '9',
    from: '',
    keywordtype: '2',
    keyword: '%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91',
    jobarea: '020000',
    industrytype: '',
    funtype: ''
};
var searchFormsString='lang=c&stype=2&postchannel=0000&fromType=1&line=&confirmdate=9&from=&keywordtype=2&keyword=%C7%B0%B6%CB%BF%AA%B7%A2&jobarea=020000&industrytype=&funtype=';
var proxy0 = process.env.https_proxy;
var proxy = process.env.http_proxy;

const agent = request.agent();          //agent()方法产生的实例会保存cookie供后续使用
request.post(loginUrl).proxy(proxy0).send(loginForms).end(function (err,res0) {
    agent.post(searchUrl)
        .proxy(proxy)                   //proxy()方法需紧跟在method方法之后调用，否则fiddler抓不到数据包
        .type('application/x-www-form-urlencoded')
        .query(queryStrings)    　　　　//使用字符串格式
        .send(searchFormsString)
        .charset('gbk')                //通过charset可知编码字符格式，不设置会有乱码
        .end(function (err, res) {
            /* 以下是处理返回数据的逻辑代码*/
            var $ = cheerio.load(res.text);   //res.text是返回的报文主体
            async.each($('.el.title').nextAll('.el'), function(v, callback) {
                //将多余的内容删除，保留岗位、公司链接
                $(v).prepend($(v).find('.t1 a'));
                $(v).find('.t1').remove();
                ws.write($.html(v), 'utf8');
            }, function(err) {
                console.log(err);
            });
            console.log('successful');
        })
});

//jquery内置document元素为root，cheerio需要通过load方法传入，然后用选择器查找指定元素，再执行相应操作。
// $.html(el);静态方法，返回el元素的outerHtml
//TODO
// 1.当前只请求到一页数据，还需构建所有页数的请求列表
// 2.向每条数据的岗位链接发送请求，获取技能关键字，存入文件中
// 3.node中io操作是异步的，且没有锁的概念，如何并发地向同一个文件正确地写入数据

结果显示如下：