NodeJS製作爬蟲全過程_node.js

今天來學習alsotang的爬蟲教學，跟著把CNode簡單地爬一遍。

建立項目craelr-demo
我們先建立一個Express項目，然後將app.js的檔案內容全部刪除，因為我們暫時不需要在Web端展示內容。當然我們也可以在空白資料夾下直接 npm install express來使用我們需要的Express功能。

目標網站分析
如圖，這是CNode首頁一部分div標籤，我們就是透過這一系列的id、class來定位我們需要的資訊。

使用superagent取得來源資料

superagent就是ajax API來使用的Http函式庫，它的使用方法與jQuery差不多，我們透過它來啟動get請求，在回呼函數中輸出結果。

複製程式碼 程式碼如下:

var express = require('express');
var url = require('url'); //解析操作url
var superagent = require('superagent'); //這三個外部依賴不要忘記npm install
var cheerio = require('cheerio');
var eventproxy = require('eventproxy');
var targetUrl = 'https://cnodejs.org/';
superagent.get(targetUrl)
    .end(function (err, res) {
        console.log(res);
    });

它的res結果為一個包含目標url資訊的對象，網站內容主要在其text(string)裡。

使用cheerio解析

cheerio充當伺服器端的jQuery功能，我們先使用它的.load()來載入HTML，再透過CSS selector來篩選元素。

複製程式碼 程式碼如下:

var $ = cheerio.load(res.text);
//透過CSS selector來篩選資料
$('#topic_list .topic_title').each(function (idx, element) {
    console.log(element);
});

其結果為一個個對象，呼叫 .each(function(index, element))函數來遍歷每一個對象，返回的是HTML DOM Elements。

輸出 console.log($element.attr('title'));的結果為 广州 2014年12月06日 NodeParty 之 UC 场
之類的標題，輸出 console.log($element.attr('href'));的結果為 /topic/545c395becbcb78265856eb2之類的url。再用NodeJS1的url.resolve()函數來補全完整的url。

複製程式碼 程式碼如下:

superagent.get(tUrl)
    .end(function (err, res) {
        if (err) {
            return console.error(err);
        }
        var topicUrls = [];
        var $ = cheerio.load(res.text);
        // 取得首頁所有的連結
        $('#topic_list .topic_title').each(function (idx, element) {
            var $element = $(element);
            var href = url.resolve(tUrl, $element.attr('href'));
            console.log(href);
            //topicUrls.push(href);
        });
    });

使用eventproxy並發抓取每個主題的內容
教程上展示了深度嵌套(串行)方法和計數器方法的例子，eventproxy就是使用事件(並行)方法來解決這個問題。當所有的抓取完成後，eventproxy接收到事件訊息自動幫你呼叫處理函數。

複製程式碼 程式碼如下:

//第一步：得到一個 eventproxy 的實例
var ep = new eventproxy();
//第二步：定義監聽事件的回呼函數。
//after方法為重複監聽
//params: eventname(String) 事件名稱,times(Number) 監聽次數, callback 回呼函數
ep.after('topic_html', topicUrls.length, function(topics){
    // topics 是個數組，包含了 40 次 ep.emit('topic_html', pair) 中的那 40 個 pair
    //.map
    topics = topics.map(function(topicPair){
        //use cheerio
        var topicUrl = topicPair[0];
        var topicHtml = topicPair[1];
        var $ = cheerio.load(topicHtml);
        return ({
            title: $('.topic_full_title').text().trim(),
            href: topicUrl,
            comment1: $('.reply_content').eq(0).text().trim()
        });
    });
    //outcome
    console.log('outcome:');
    console.log(topics);
});
//第三步：確定放出事件訊息的
topicUrls.forEach(function (topicUrl) {
    superagent.get(topicUrl)
        .end(function (err, res) {
            console.log('fetch ' topicUrl ' successful');
            ep.emit('topic_html', [topicUrl, res.text]);
        });
});

結果如下

擴展練習(挑戰)

取得留言用戶名與積分

在文章頁面的源碼找到評論的用戶class名，classname為reply_author。 console.log第一個元素 $('.reply_author').get(0)可以看到，我們需要取得東西都在這裡頭。

首先，我們先對一篇文章進行抓取，一次性把需要的都得到即可。

複製程式碼 程式碼如下:

var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
console.log(userHref);
console.log($('.reply_author').get(0).children[0].data);

我們可以透過https://cnodejs.org/user/username抓取積分資訊

複製程式碼 程式碼如下:

$('.reply_author').each(function (idx, element) {
var $element = $(element);
console.log($element.attr('href'));
});

在使用者資訊頁 $('.big').text().trim()即為積分資訊。

使用cheerio的函數.get(0)為取得第一個元素。

複製程式碼 程式碼如下:

var userHref = url.resolve(tUrl, $('.reply_author').get(0).attribs.href);
console.log(userHref);

這只是對於單一文章的抓取，對於40個還有需要修改的地方。