在node.js中,有了?cheerio?模塊、request?模塊,抓取特定URL頁面的數據已經非常方便。
一個簡單的就如下
var request = require('request'); var cheerio = require('cheerio');request(url,function(err,res){if(err) return console.log(err);var $ = cheerio.load(res.body.toString());//解析頁面內容 });
? 有了基本的流程,現在找個web地址(url)試試。就以博客園的搜索頁為例。
nodejs庫, 通過搜索關鍵詞 node.js?
得到如下的URL:
http://zzk.cnblogs.com/s?t=b&w=node.js
nodejs爬蟲? 點擊第二頁,URL如下:
http://zzk.cnblogs.com/s?t=b&w=node.js&p=2
分析URL,發現w= ?為要搜索的關鍵詞 p= ?為頁碼。
借助?request?模塊請求URL
var request = require('request'); var cheerio = require('cheerio');var key = 'node.js', page = 1; var url = 'http://zzk.cnblogs.com/s?t=b&w='+ key +'&p='+ page;request(url, function(err, res) {if (err) return console.log(err);var $ = cheerio.load(res.body.toString());var arr = [];//內容解析 });
node.js? 現在URL有了,分析下URL對應的頁面內容。
頁面還是很有規律的。
標題 摘要 作者 ?發布時間 推薦次數 評論條數 瀏覽次數 文章鏈接
python 爬蟲? 借助瀏覽器開發工具
發現 <div class="searchItem">...</div> 對應的是每篇文章
點開每一項,有如下內容
nodejs爬蟲框架對比。
class="searchItemTitle" 包含的是文章標題、也包含了文章URL地址
class="searchItemInfo-userName" 包含的是作者
class="searchItemInfo-publishDate" 包含的是發布時間
爬蟲原理與數據抓取? class="searchItemInfo-views" 包含的是瀏覽次數
借助?cheerio 模塊解析文章,抓取具體的內容
var request = require('request'); var cheerio = require('cheerio');var key = 'node.js', page = 1; var url = 'http://zzk.cnblogs.com/s?t=b&w='+ key +'&p='+ page;request(url, function(err, res) {if (err) return console.log(err);var $ = cheerio.load(res.body.toString());var arr = [];//內容解析$('.searchItem').each(function() {var title = $(this).find('.searchItemTitle');var author = $(this).find('.searchItemInfo-userName a');var time = $(this).find('.searchItemInfo-publishDate');var view = $(this).find('.searchItemInfo-views');var info = {title: $(title).find('a').text(),href: $(title).find('a').attr('href'),author: $(author).text(),time: $(time).text(),view: $(view).text().replace(/[^0-9]/ig, '')};arr.push(info);//打印console.log('============================= 輸出開始 =============================');console.log(info);console.log('============================= 輸出結束 =============================');}); });
可以來運行下,看看是否正常抓取了數據。?
node爬蟲框架,? 現在有數據數據,可以保存到數據庫。這里以mysql為例,其實用mongodb更方便。
借助 mysql 模塊保存數據(假設數據庫名為test,表為blog)。
var request = require('request'); var cheerio = require('cheerio');var mysql = require('mysql'); var db = mysql.createConnection({host: '127.0.0.1',user: 'root',password: '123456',database: 'test' }); db.connect();var key = 'node.js', page = 1; var url = 'http://zzk.cnblogs.com/s?t=b&w='+ key +'&p='+ page;request(url, function(err, res) {if (err) return console.log(err);var $ = cheerio.load(res.body.toString());var arr = [];//內容解析$('.searchItem').each(function() {var title = $(this).find('.searchItemTitle');var author = $(this).find('.searchItemInfo-userName a');var time = $(this).find('.searchItemInfo-publishDate');var view = $(this).find('.searchItemInfo-views');var info = {title: $(title).find('a').text(),href: $(title).find('a').attr('href'),author: $(author).text(),time: $(time).text(),view: $(view).text().replace(/[^0-9]/ig, '')};arr.push(info);//打印console.log('============================= 輸出開始 =============================');console.log(info);console.log('============================= 輸出結束 =============================');//保存數據db.query('insert into blog set ?', info, function(err,result){if (err) throw err;if (!!result) {console.log('插入成功');console.log(result.insertId);} else {console.log('插入失敗');}});}); });
? 運行下,看看數據是否保存到數據庫了。
node爬蟲庫,
現在一個基本的抓取、保存都有了。但是呢 只抓取一次,而且只能抓取關鍵詞為node.js 頁碼為1的URL頁面。
改關鍵詞為javascript,頁碼為1,清空blog表,再從新運行一次,看看表里是不是能保存javascript相關的數據。
?
現在去博客園搜索javascript,看看搜索到的結果和表里的內容能否對應。呵呵,不用看啦,肯定能對應啊~~
只能抓取一個頁面的內容,肯定不能滿足的,能自動抓取其他頁的內容就更好了。
分析搜索頁面,底部都有頁碼、下一頁。
借助瀏覽器開發工具查看
我們發現最后一個a標簽的內容有Next,表示下一頁,看href有p=2,在第二分頁p=3, ... 最后一頁沒有內容有Next的a標簽了。
var nextA = $('.pager a').last(),nextUrl = ''; if ($(nextA).text().indexOf('Next') > -1) {nextUrl = nextA.attr('href');page = nextUrl.slice(nextUrl.indexOf('p=') + 2);//todo } else {db.end();console.log('沒有數據了...'); }
這里把程序代碼做一點修改,封裝成一個函數,完整如下:
var request = require('request'); var cheerio = require('cheerio');var mysql = require('mysql'); var db = mysql.createConnection({host: '127.0.0.1',user: 'root',password: '123456',database: 'test' }); db.connect();function fetchData(key, page) {var url = 'http://zzk.cnblogs.com/s?t=b&w=' + key + '&p=' + page;request(url, function(err, res) {if (err) return console.log(err);var $ = cheerio.load(res.body.toString());var arr = [];//內容解析$('.searchItem').each(function() {var title = $(this).find('.searchItemTitle');var author = $(this).find('.searchItemInfo-userName a');var time = $(this).find('.searchItemInfo-publishDate');var view = $(this).find('.searchItemInfo-views');var info = {title: $(title).find('a').text(),href: $(title).find('a').attr('href'),author: $(author).text(),time: $(time).text(),view: $(view).text().replace(/[^0-9]/ig, '')};arr.push(info);//打印console.log('============================= 輸出開始 =============================');console.log(info);console.log('============================= 輸出結束 =============================');//保存數據db.query('insert into blog set ?', info, function(err, result) {if (err) throw err;if (!!result) {console.log('插入成功');console.log(result.insertId);} else {console.log('插入失敗');}});});//下一頁var nextA = $('.pager a').last(),nextUrl = '';if ($(nextA).text().indexOf('Next') > -1) {nextUrl = nextA.attr('href');page = nextUrl.slice(nextUrl.indexOf('p=') + 2);setTimeout(function() {fetchData(key, page);}, 2000);} else {db.end();console.log('沒有數據了...');}}); } fetchData('node.js', 1);
? 運行一下,開始抓數據了... 博客園搜索結果100個分頁,每頁20條數據,供2000條,程序間隔2秒抓取下一頁,抓取一個搜索關鍵詞2000條數據約3分20秒左右。
?到此程序實現了抓取、保存數據。
?如果是其他URL,需要重新解析頁面內容,頁面編碼不是utf-8編碼,需要轉碼,可以借助 iconv-lite 模塊。
?數據庫有了數據,當然可以讀取出來,比如按瀏覽次數多少排序輸出來。
?按需求,抓取數據,顯示數據,助技術進步。
?