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：

 var express = require('express');
 var app = express();

 app.get('/', function(req, res) {
   res.send('hello express');
 });

 app.listen(3000, function() {
   console.log('listening on 3000');
 });

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

 var express = require('express');
 var app = express();
 var request = require('request');

 app.get('/', function(req, res) {
   request('http://www.cnblogs.com/galenyip', function (error, response, body) {
     if (!error && response.statusCode == 200) {
       console.log(body);// Show the HTML for the Google homepage.
       res.send('hello express');
     }
   });
 });

 app.listen(3000, function() {
   console.log('listening on 3000');
 });

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');

 var express = require('express');
 var app = express();
 var request = require('request');
 var cheerio = require('cheerio');

 app.get('/', function(req, res) {
   request('http://www.cnblogs.com/galenyip', function (error, response, body) {
     if (!error && response.statusCode == 200) {
       $ = cheerio.load(body); //拿到body，作为选择器
     }
   });
 });

 app.listen(3000, function() {
   console.log('listening on 3000');
 });

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。