node 简单的爬虫

基于express爬虫，

1,node做爬虫的优势

首先说一下node做爬虫的优势

第一个就是他的驱动语言是JavaScript。JavaScript在nodejs诞生之前是运行在浏览器上的脚本语言，其优势就是对网页上的dom元素进行操作，在网页操作上这是别的语言无法比拟的。

第二就是nodejs是单线程异步的。听起来很奇怪，单线程怎么能够异步呢？想一下学操作系统的时候，单核cpu为什么能够进行多任务处理？道理也是类似，在操作系统中进程对CPU的占有进行时间切片，每一个进程占有的时间很短，但是所有进程循环很多次，因此看起就像是多个任务在同时处理。js也是一样，js里有事件池，CPU会在事件池循环处理已经响应的事件，未处理完的事件不会放到事件池里，因此不会阻塞后续的操作。在爬虫上这样的优势就是在并发爬取页面上，一个页面未返回不会阻塞后面的页面继续加载，要做到这个不用像python那样需要多线程。

其次是node的劣势

首先是异步并发上。处理的好很方便，处理的不好就会很麻烦。例如要爬取10个页面，用node不做异步处理话，那返回的结果可不一定是按1、2、3、4……这个顺序，很可能是随机。解决的办法就是增加一个页面的序列戳，让爬取的数据生成csv文件，然后重新排序。

第二个是数据处理上的劣势，这点是不如python的，如果只是单纯的爬数据，用node当然很好，但是如果用爬来的数据继续做统计分析，做个回归分析聚类啥的话，那就不能用node一步到底了。

二，爬虫步骤

1，express安装node的环境

$ mkdir myapp

$ cd myapp

$ npm init===生成package.json 文件

$ npm install express --save=======保存在依赖表中

$ npm install express============临时安装

http://www.expressjs.com.cn/starter/installing.html

2依赖包的安装

var request = require('request');

var cheerio = require('cheerio');

放到依赖包的命令

 npm install request --save

npm  install cheerio --save

了解官网

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

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

3，使用说明：

*request的使用说明，请求的状态成功的状态----200

var request = require('request');

request('http://www.google.com', function (error, response, body) {

  console.log('error:', error); // Print the error if one occurred

  console.log('statusCode:', response && response.statusCode); // Print the response status code if a response was received

  console.log('body:', body); // Print the HTML for the Google homepage.

});

*cheerio ------类似jquery的使用方法

const $ = cheerio.load(body);

let data = [];

// 下面就是和jQuery一样获取元素，遍历，组装我们需要数据，添加到数组里面

$('#xy-impcon ul li').each(function (i, elem) {

let _this = $(elem);

data.push({

url: _this.find('a').attr('href').replace(/\/p\//, ""),

content: _this.find('a').text(),

});

});

3，文件读取将数据下载到本地

*__dirname  当前的跟目录

var fs = require('fs');

fs.writeFile(__dirname + '/data/article.json', JSON.stringify({

status: 0,

data: data

}), function (err) {

if (err) throw err;

console.log('写入完成');

});

4， 每个网站都有一个安全隐私，不让别人进行爬取，各大网站都可以查找这个文件

robots.txt—>这个文件告诉你不能爬的内容

爬虫的额外了解

1，微博的url ——》拼接一些关键字————httpget请求解析微博的内容——垂直——过滤——存储   （规定在一定的时间内进行轮询访问）

1，封号的处理——》代理ip(是否被封号)——进行一个标识对于有用的ip进行过滤

爬虫的用处

可以用于商业，通过数据分析用户行为，情感的变化，进行的处理