教你怎么在nodejs下解析html
- Y2J原创
- 2017-05-22 10:20:019819浏览
nodejs环境下html的解析
nodejs环境下，对妹子图网站的数据进行获取/解析/并利用express对客户端进行json数据的返回。
本文主要解决了：1.jquery解析请求过来的html如何实现的问题；2.nodejs环境下jquery重度使用者的替代函数库的问题；3.nodejs下，如何发送ajax请求的问题（ajax请求，本身就是一个request请求）；4. 本文用实际的案例来介绍了如何使用cheerio进行dom操作。
使用者需要安装npm模块：cheerio
另外推荐使用npm模块:nodemon，可以对nodejs的程序进行热部署
引言
微信小程序平台的基本要求是：
1. 数据服务器必须要是https协议的service接口
2. 微信小程序不是html5，不支持dom解析和window操作
3. 测试版本可以用第三方的数据服务接口，正式版本不允许用第三方的接口（当然，这里说的是多个第三方数据接口）。
在APICLOUD平台下，我们可以使用html5配合jquery等类库来实现dom数据的解析，来解决数据源不是json格式的问题（html下利用jquery加载html5中的数据，回头整理一下之前学习apicloud平台api的时候，做的测试app），但是在微信小程序平台下，解析html元素基本上是没有办法的。在本文撰写之前，我在网上看到有说用underscore来代替jquery做dom解析的回答，我搞了半天，发现还是不是那么顺手。
因此，本文提出的方案是为了解决两个问题：
1. 利用自己的服务器，给自己的微信小程序提供第三方网站的html数据转换服务，将第三方的html元素解析出自己需要的元素，在nodejs平台下，利用request模块来完成数据请求，利用cheerio模块来完成html的解析。
2. 在nodejs平台下，虽然有jquery模块，但是用起来还是有很多问题的。网上有一贴被给个网站复制的帖子，给出的在nodejs环境下使用jquery的方法，经过我的实际测试，发现并不能顺利的进行上手编写代码。
因此，本文的行文思路：1. 对数据源进行分析; 2. 对request进行简单的介绍；3.对cheerio模块的常用方法进行简单的介绍；4. 编写在nodejs下，利用express模块来实现json数据的提供。
数据源分析
数据列表的分析
按照大多数程序的套路，对第三方数据源的操作多是爬虫案例，那么本文的案例应该也是宅男福利了吧。本文的目标地址是：http://m.mmjpg.com.
本文的数据源是来自排行榜页面。排行榜页面长这样， 
滑动滚动条在对底部，我们可以发现有一个加载更多的按钮，点击加载更多之后，在浏览器的控制台中，可以看到，浏览器发送了一个url为http://m.mmjpg.com/getmore.php?te=1&page=3的请求. 
浏览器的控制台显示的网络请求截图如下图所示： 
我们可以用浏览器，打开上面这个链接（http://m.mmjpg.com/getmore.php?te=1&page=3），这是我在写本文的时候，访问这个链接时浏览器获取到的实时数据(读者在自己进行浏览器访问时，可能获取的数据和我的不一样)。
下图中，我对页面源代码中的数据进行了标注，包括一下内容：1. 标题;2.所有图片的浏览地址；3.预览图的地址；4.发布时间；5.点赞次数 
数据详情页的分析
对上面我们访问加载更多页面时，获取的page=3的列表的页面中，点击了下面这个链接http://m.mmjpg.com/mm/958，对应的标题是亮丽清纯妹子冰露纯天然的G杯巨乳美图。
从上图中，可以看到，每个http://m.mmjpg.com/mm/958/<a href="http://www.php.cn/wiki/58.html" target="_blank">数组</a>序号页面都有一张图片，且这张图片的地址也很规范，为http://img.mmjpg.com/2017/958/1.jpg。那后面的事情就很简单了，我们只需要知道当前图片集一共有多少张，就可以根据规则来拼接出所有图片的地址了。那这里，对详情页数据的获取，我们只需要对第一个图片的页面进行数据的获取就可以了。主要获取的数据是第（1/N）张和class为content的p下面第一个img标签的src就可以了。
那，上面对数据源的介绍，就是这么多，其他的数据源的分析都是这样的一个思路。相信列位看官一定能够得到自己想要获取的数据。
request模块简介
request模块让http请求变的更加简单。
最简单的一个示例：
var request = require('request');
request('http://www.google.com', function (error, response, body) {
if (!error && response.statusCode == 200) {
console.log(body);
}
})抓取网上的图片，保存到本地
var fs=require('fs');var request=require('request'); request('http://n.sinaimg.cn/news/transform/20170211/F57R-fyamvns4810245.jpg').pipe(fs.createWriteStream('doodle.png'));
将本地的file.json文件上传到mysite.com/obj.json
fs.createReadStream('file.json').pipe(request.put('http://mysite.com/obj.json'))
将google.com/img.png上传到mysite.com/img.png
request.get('http://google.com/img.png').pipe(request.put('http://mysite.com/img.png'))
表单提交到service.com/upload
var r = request.post('http://service.com/upload')var form = r.form() form.append('my_field', 'my_value') form.append('my_buffer', new Buffer([1, 2, 3])) form.append('my_file', fs.createReadStream(path.join(dirname, 'doodle.png')) form.append('remote_file', request('http://google.com/doodle.png'))
HTTP认证
request.get('http://some.server.com/').auth('username', 'password', false);
定制HTTP header
//User-Agent之类可以在options对象中设置。var options = {
url: 'https://api.github.com/repos/mikeal/request',
headers: { 'User-Agent': 'request'
}
};function callback(error, response, body) {
if (!error && response.statusCode == 200) { var info = JSON.parse(body);
console.log(info.stargazers_count +"Stars");
console.log(info.forks_count +"Forks");
}
}
request(options, callback);cheerio模块简介
cheerio为服务器特别定制的，快速、灵活、实施的jQuery核心实现.npm官网下对cheerio模块的简介：www.npmjs.com/package/cheerio
如果阅读英文文献有问题的话，nodejs中文社区下的关于cheerio的api的中文介绍：cnodejs.org/topic/5203a71844e76d216a727d2e
对jquery的对比
其实，如果在nodejs下，使用const cheerio = require('cheerio');这样的方式加载cheerio模块的话，将我们的html源字符串作为参数，利用cheerio的load函数进行加载的话，我们是可以完全按照在jquery环境下的编程思路，来实现对dom的解析的。
由于cheerio模块实现了大部分的jquery的函数，因此，本文在这里不进行过多的介绍。
结合代码讲述如何获取数据
通过上面的分析，我们可以看到我们的数据源不是json，而是html，对jquery来说，html应该在发送ajax请求的时候，设置dataType为text。
主要流程（jquery）：
1. 利用ajax请求，传入url和设置dataType
2. 利用$(data)将ajax得到的数据转换成jquery对象。
3. 利用jquery的find和get方法，找到需要获取的元素。
4. 利用jquery的attr和html方法，取得所需要的信息。
5. 将上述信息整合成json串或者之前对你的html进行dom操作，完成数据的加载。
主要流程（nodejs）：
1. 利用requets请求，传入url和设置dataType
2. 利用cheerio.load(body)将request得到的数据转换成cheerio对象。
3. 利用cheerio的find和get方法，找到需要获取的元素。
4. 利用cheerio的attr和text方法，取得所需要的信息。
5. 将上述信息整合成json串，利用express的res.json将json响应给客户端（小程序或者其他APP）。
直接上代码吧
nodejs下图片列表的获取与解析
var express = require('express');var router = express.Router();var bodyParser = require("body-parser");var http = require('http');const cheerio = require('cheerio');/* GET home page. */router.get('/', function (req, res, next) {
res.render('index', {title: 'Express'});
});/* GET 妹子图列表 page. */router.get('/parser', function (req, res, next) {
var json =new Array(); var url = `http://m.mmjpg.com/getmore.php?te=0&page=3`;
var request = require('request');
request(url, function (error, response, body) { if (!error && response.statusCode == 200) { var $ = cheerio.load( body );//将响应的html转换成cheerio对象
var $lis = $('li');//便利列表页的所有的li标签，每个li标签对应的是一条信息
var json = new Array();//需要返回的json数组
var index = 0;
$lis.each(function () {
var h2 = $(this).find("h2");//获取h2标签，方便获取h2标签里的a标签
var a = $(h2).find("a");//获取a标签，是为了得到href和标题
var img = $(this).find("img");//获取预览图
var info =$($($(this).find(".info")).find("span")).get(0);//获取发布时间
var like = $(this).find(".like");//获取点赞次数
//生成json数组
json[index] = new Array({"title":$(a).text(),"href":$(a).attr("href"),"image":$(img).attr("data-img"),"timer":$(info).text(),"like":$(like).text()});
index++;
}) //设置响应头
res.header("contentType", "application/json"); //返回json数据
res.json(json);
}
});
})
;/**
* 从第(1/50)张这样的字符串中提取50出来
* @param $str
* @returns {string}
*/function getNumberFromString($str) {
var start = $str.indexOf("/"); var end = $str.indexOf(")"); return $str.substring(start+1,end);
}/* GET 妹子图所有图片 page. */router.get('/details', function (req, res, next) {
var json; var url = `http://m.mmjpg.com/mm/958`;
var request = require('request');
request(url, function (error, response, body) {
if (!error && response.statusCode == 200) { var $ = cheerio.load( body );//将响应的html转换成cheerio对象
var json = new Array();//需要返回的json数组
var index = 0; var img = $($(".content").find("a")).find("img");//每一次操作之后得到的对象都用转换成cheerio对象的
var imgSrc = $(img).attr("src");//获取第一张图片的地址
var title = $(img).attr("alt");//获取图片集的标题
var total =$($(".contentpage").find("span").get(1)).text();//获取‘第(1/50)张’
total = getNumberFromString(total);//从例如`第(1/50)张`提取出50来
var imgPre = imgSrc.substring(0,imgSrc.lastIndexOf("/")+1);//获取图片的地址的前缀
var imgFix = imgSrc.substring(imgSrc.lastIndexOf("."));//获取图片的格式后缀名
console.log(imgPre + "\t" + imgFix); //生成json数组
var images= new Array(); for(var i=1;i<=total;i++) {
images[i-1] =imgPre+i+imgFix;
}
json = new Array({"title":title,"images":images}); //设置响应头
res.header("contentType", "application/json"); //返回json数据
res.json(json);
}
});
})
;
module.exports = router;在浏览中，获取列表页的json，截图如下：
详情页的json获取，截图如下：
上面的json经过格式检验，都是有效的。
apicloud平台下利用jquery实现的代码
//获取妹子图的列表function loadData() {
url = 'http://m.mmjpg.com/getmore.php';
$.ajax({
url: tmpurl,
method: 'get',
dataType: "application/text",
data:{
te：0,
page:3
},
success: function (data) {
if (data) {
ret = "<ul>" + ret + "</ul>"; var lis = $(ret).find("li"); var one = '';
$(lis).each(function () {
var a = $(this).find("h2 a"); var ahtml = $(a).html();//标题
var ahref = $(a).attr('href');//链接
var info = $(this).find(".info"); var date = $($(info).find("span").get(0)).html(); var like = $($(info).find(".like")).html(); var img = $(this).find("img").get(0); var imgsrc = $(img).attr('data-img'); //接下来，决定如何对数据进行显示咯。如dom操作，直接显示。
});
} else {
alert("数据加载失败，请重试");
}
}
});
};//end of loadData//图片详情页的获取，就不再提供jquery版本的代码了总结
本文主要解决了：1.jquery解析请求过来的html如何实现的问题；2.nodejs环境下jquery重度使用者的替代函数库的问题；3.nodejs下，如何发送ajax请求的问题（ajax请求，本身就是一个request请求）；4. 本文用实际的案例来介绍了如何使用cheerio进行dom操作。
【相关推荐】
1. HTML免费视频教程
以上是教你怎么在nodejs下解析html的详细内容。更多信息请关注PHP中文网其他相关文章！