使用node.js制作简易爬虫

最近看了些node.js方面的知识，就像拿它来做些什么。因为自己喜欢摄影，经常上蜂鸟网，所以寻思了一下，干脆做个简单的爬虫来扒论坛的帖子。

直接上代码吧。

 var sys = require("sys"),
     http = require("http"),
     fs = require("fs");
 var url = "http://newbbs.fengniao.com/forum/forum_125.html";
 var data = "";
 //创建正则，过滤html
 var reg = /<div\s*class="recommendSub">\s*<a\s*href="(.*?)"\s*class="pic"\s*title="(.*?)"/g;
 var result = [],
     timeStamp = 0;
 // 创建一个请求
 var req = http.request(url, function (res) {
     // 设置显示编码
     timeStamp = new Date().getTime();
     res.setEncoding("utf8");
     res.on('data', function (chunk) {
         data += chunk;
     });
     // 响应完毕时间出发，输出 data
     res.on('end', function () {
         while (match = reg.exec(data)) {
             result.push({
                 title: match[1],
                 url: match[2]
             });
         }
         writeFile(result);
     });
 });
 // 发送请求
 req.end();
 function writeFile(r) {
     var str = '';
     for (var i = 0, _len = r.length; i < _len; i++) {
         str += r[i].title + '\n' + r[i].url + '\n';
     }
     //数据拼接结束后，写入s.txt文件
     fs.writeFile('s.txt', str, function (err) {
         if (err) {
             throw err;
         }
         console.log('耗时约' + Math.ceil((new Date().getTime() - timeStamp) / 1000) + 's');
         console.log('数据已写入文件');
     });
 }

这里比较需要注意的就是正则了，大家要注意贪婪匹配这些要点。

我们把这个js文件命名为spider.js,控制台下运行

node spider.js

后就可以看到s.txt文件生成了，里面就是获取的帖子信息。

就这样吧，打算抽空好好学学node.js，这家伙还是挺有趣的。

相关的js我同时也上传到了github上，有感兴趣的同学可以clone到本地。

地址：https://github.com/kbqncf/spider