Nodejs 网络爬虫（资讯爬虫） 案例

1. superagent

superagent 是一个流行的nodejs第三方模块，专注于处理服务端/客户端的http请求。在nodejs中，我们可以使用内置的http等模块来进行请求的发送、响应处理等操作，不过superagent提供了更加简单、优雅的API，让你在处理请求时更加方便。而且它很轻量，学习曲线平滑，内部其实就是对内置模块的封装。

可以认为是node端的ajax

request

.post('/api/pet')

.send({ name: 'Manny', species: 'cat' })

.set('X-API-Key', 'foobar')

.set('Accept', 'application/json')

.end(function(err, res){

if (err || !res.ok) {

alert('Oh no! error');

} else {

alert('yay got ' + JSON.stringify(res.body));

}

});

2. supervisor node

supervisor 可以监视代码的改动，并自动重启 Node.js，保证改动服务器代码后，不用手动重启服务器

npm -g install supervisor 必须全局安装

3. cheerio

在node中可以使用类似jQuery的方法操作html元素，可以方便的对爬虫到的网页html资源进行相关操作，上手容易，操作方法和jquery几乎一致

var cheerio = require("cheerio");

var server = require("./curl");

var url = "http://v.163.com/special/opencourse/englishs1.html"

server.download(url, function(data) {

if (data) {

//console.log(data);

var $ = cheerio.load(data);

$("a.downbtn").each(function(i, e) {

console.log($(e).attr("href"));

});

console.log("done");

} else {

console.log("error");

}

});

4. 爬虫逻辑实现完整代码演示

功能页面获取数据如下：

var superagent = require('superagent');

var cheerio = require('cheerio');

var url = require('url');

var qs = require('querystring');

var cnodeUrl = "https://www.xxxx.com/";

var CNode = function(url) {

cnodeUrl = url;

}

CNode.prototype = {

getData: function(res) {   此处res是index页面中的res

superagent.get(cnodeUrl)   实现类似ajax获取页面数据

.end(function(err, sres) {   写回调函数

if (err) throw err;

 var $ = cheerio.load(sres.text);   引入cheerio入口

 cheerio的类似jquery操作

var lastPageUrl = $('.className li:last-child').find('a').attr('href');

var queryUrl = url.parse(lastPageUrl).query;  获取url参数

var obj = qs.parse(queryUrl);

var totalPages = obj.page;

var items = [];  设置数组，存储需要的数据

$('#id .className').each(function(index, element) {

var $element = $(element);

var type = $element.parent().parent().find('.topic_tab').text();

items.push({

title: $element.attr('title'),

href: $element.attr('href'),

link: url.resolve(cnodeUrl, $element.attr('href')),

type: type

})

console.log(items)

})

items.totalPages = totalPages;

res.send(items);  向页面发送处理好的数据

})

}

}

module.exports = CNode;   对外暴露数据

index页面加载数据如下：（由于是在express assistant环境下写创建的，所以此处是以路由形式向外暴露，服务器运行在bin/www文件中）

var express = require('express');

var router = express.Router();

var CNode = require('./cnode');

/* GET home page. */

router.get('/', function(req, res, next) {

var requestUrl = " https://www.xxxx.com/";

var _cnode = new CNode(requestUrl);

_cnode.getData(res);

});

module.exports = router;

5. node-schedule 实现定时任务（可与高并发结合）

6. async实现高并发（限制不能频繁访问服务器）