nodejs 做一个简单的爬虫

admin 管理员组

文章数量: 887018

• 准备工作

• 创建工程

• • 武大计算机学院新闻爬虫代码

• 草榴技术讨论区爬虫

• 后记

前言

（前言是废话可以略过）感觉我写的已经很基础了，就算没有编程经验的人应该也能做出来吧？

起因是昨天中午在 stromzhang 的知识星球（会不会有广告嫌疑）上看到一个球友分享了这么一篇东西

链接如下：

今日头条街拍，又到养眼的季节

作为一个程序员，到现在还没尝试过爬虫，感觉自己很 low，当然不是为了街拍图片。

点进去一看，好吧，是我并没有用过的 python。

但是既然已经点燃了我想爬的愿望，不爬的话就很难受。因为学过 js，知道 js 也可以做爬虫，于是到网上搜了一下，万能的 js 果然无所不能。

于是在网上搜到了这么一篇文章 手把手教你做爬虫—基于NodeJs 于是就按照他的步骤开始做，不过北大的微电子学院好像禁止访问了，大概是被爬的次数太多，服务器崩了？还有人说爬完一次之后 IP 就会被禁止访问。

既然这样，只能拿武大开刀了。

准备工作

1. 首先，你需要下载 nodejs，这个应该没啥问题吧

2. 原文要求下载 webstrom，我电脑上本来就有，但其实不用下载，完全在命令行里面操作就行

创建工程

准备工作做完了，下面就开始创建工程了

1. 首先，在你想要放资源的地方创建文件夹，比如我在 E 盘里面创建了一个 myStudyNodejs 的文件夹

2. 在命令行里面进入你创建的文件夹 如图

进入 e 盘：E：

进入文件夹：cd myStudyNodejs（你创建的文件夹的名字）

注意全是英文符号

3. 初始化项目，在你创建的文件夹下面运行 npm init 初始化项目

一路回车，最后输个 yes 就行

4. 运行完以后，会在文件夹里面生成一个 package.json 的文件，里面包含了项目的一些基本信息。

5. 安装所需要的包

在所创建的文件夹的目录下运行

npm install cheerio –save

npm install request -save

爬武大的话，这两个包就够了，如果想爬草榴需要额外的转换编码的包，windows 上面是

npm install iconv-lite -save

Mac 上面是 npm install iconv -save

运行结果应该第二幅图这样，中间手滑少写了个字母

6. 创建文件

在你所创建的文件夹下面创建一个 data 文件夹用于保存爬到的文本数据。

创建一个 image 文件夹用于保存图片数据。

创建一个 js 文件用来写程序。比如 study.js。（创建一个记事本文件将 .txt 改为 .js）

说明 –save 的目的是将项目对该包的依赖写入到 package.json 文件中。

武大计算机学院新闻爬虫代码

下面就是武大计算机学院新闻的爬虫代码了，复制到创建的 .js 文件中，保存。

var http = require(‘http’);

var fs = require(‘fs’);

var cheerio = require(‘cheerio’);

var request = require(‘request’);

var i = 0;

//初始url

var url = “http://cs.whu.edu/a/xinwendongtaifabu/2018/0428/7053.html”;

function fetchPage(x) { //封装了一层函数

startRequest(x);

}

function startRequest(x) {

//采用http模块向服务器发起一次get请求

http.get(x, function (res) {

var html = ‘’; //用来存储请求网页的整个html内容

var titles = [];

res.setEncoding(‘utf-8’); //防止中文乱码

//监听data事件，每次取一块数据

res.on(‘data’, function (chunk) {

html += chunk;

});

//监听end事件，如果整个网页内容的html都获取完毕，就执行回调函数

res.on(‘end’, function () {

var $ = cheerio.load(html); //采用cheerio模块解析html

var news_item = {

//获取文章的标题

title: $(‘div#container dt’).text().trim(),

i: i = i + 1,

};

console.log(news_item); //打印新闻信息

var news_title = $(‘div#container dt’).text().trim();

savedContent($,news_title); //存储每篇文章的内容及文章标题

savedImg($,news_title); //存储每篇文章的图片及图片标题

//下一篇文章的url

var nextLink=“http://cs.whu.edu” + $(“dd.Paging a”).attr(‘href’);

str1 = nextLink.split(‘-’); //去除掉url后面的中文

str = encodeURI(str1[0]);

//这是亮点之一，通过控制I,可以控制爬取多少篇文章.武大只有8篇，所以设置为8

if (i <= 8) {

fetchPage(str);

}

});

}).on(‘error’, function (err) {

console.log(err);

});

}

//该函数的作用：在本地存储所爬取的新闻内容资源

function savedContent($, news_title) {

$(‘dd.info’).each(function (index, item) {

var x = $(this).text();

var y = x.substring(0, 2).trim();

if (y == ‘’) {

x = x + ‘\n’;

//将新闻文本内容一段一段添加到/data文件夹下，并用新闻的标题来命名文件

fs.appendFile(‘./data/’ + news_title + ‘.txt’, x, ‘utf-8’, function (err) {

if (err) {

console.log(err);

}

});

}

})

}

//该函数的作用：在本地存储所爬取到的图片资源

function savedImg($,news_title) {

$(‘dd.info img’).each(function (index, item) {

var img_title = $(this).parent().next().text().trim(); //获取图片的标题

if(img_title.length>35||img_title==“”){

img_title=“Null”;

}

var img_filename = img_title + ‘.jpg’;

var img_src = ‘http://cs.whu.edu’ + $(this).attr(‘src’); //获取图片的url

//采用request模块，向服务器发起一次请求，获取图片资源

request.head(img_src,function(err,res,body){

if(err){

console.log(err);

}

});

request(img_src).pipe(fs.createWriteStream(‘./image/’+news_title + ‘—’ + img_filename)); //通过流的方式，把图片写到本地/image目录下，并用新闻的标题和图片的标题作为图片的名称。

})

}

fetchPage(url); //主程序开始运行

下面就是激动人心的时刻了，在当前文件夹下面，运行创建的 js 文件，比如我的是 news.js。

npm news.js

文本资源：

图片资源：

草榴技术讨论区爬虫

爬完武大的新闻并不过瘾，于是尝试了一波爬草榴的技术讨论区（当然也能爬一些你懂的）。其中遇到了一些问题。

爬草榴的时候，发送 http 请求报文头里面需要包含 User-Agent 字段，于是需要把 初始url 做如下改变

var url = {

hostname: ‘cl.5fy.xyz’,

path: ‘/thread0806.php?fid=7’,

headers: {

‘Content-Type’: ‘text/html’,

//没有这个字段的话访问不了

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36’,

}};

其次，nodejs 只支持 抓取 utf-8 字符编码的网站，所以需要安装额外的包来转换编码，所以修改代码如下

/*

• @Author: user

• @Date: 2018-04-28 19:34:50

• @Last Modified by: user

• @Last Modified time: 2018-04-30 21:35:26

*/

var http = require(‘http’);

var fs = require(‘fs’);

var cheerio = require(‘cheerio’);

var request = require(‘request’);

var iconv=require(‘iconv-lite’);

var i = 0;

//用来判断存储还是访问

var temp=0;

let startPage=3;//从哪一页开始爬

let page=startPage;

let endPage=5;//爬到哪一页

let searchText=‘’;//爬取的关键字，默认全部爬取，根据自己需要

//初始url

var url = {

hostname: ‘1024liuyouba.tk’,

path: ‘/thread0806.php?fid=16’+‘&search=&page=’+startPage,

headers: {

‘Content-Type’: ‘text/html’,

//没有这个字段的话访问不了

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36’,

}};

//存储首页url

urlList=[];

//封装了一层函数

function fetchPage(x) {

setTimeout(function(){

startRequest(x); },5000)

}

//首先存储要访问界面的url

function getUrl(x){

temp++;

http.get(x,function(res){

var html = ‘’;

res.setEncoding(‘binary’);

res.on(‘data’, function (chunk) {

html += chunk;

});

res.on(‘end’, function () {

var buf=new Buffer(html,‘binary’);

var str=iconv.decode(buf,‘GBK’);

var $ = cheerio.load(str); //采用cheerio模块解析html

$(‘tr.tr3 td.tal h3 a’).each(function(){

var search=$(this).text();

if(search.indexOf(searchText)>=0){

var nextLink=“http://cl.5fy.xyz/” + $(this).attr(‘href’);

str1 = nextLink.split(‘-’); //去除掉url后面的中文

str = encodeURI(str1[0]);

urlList.push(str); }

})

page++;

if(page<endPage){

//存储下一页url

x.path=‘/thread0806.php?fid=16’+‘&search=&page=’+page,

getUrl(x);

}else if(urlList.length!=0){

fetchPage(urlList.shift());

}else{

console.log(‘未查询到关键字！’);

}

})

}).on(‘error’, function (err) {

console.log(err);

});

}

function startRequest(x) {

if(temp===0){

getUrl(x);

}

else{

//采用http模块向服务器发起一次get请求

http.get(x, function (res) {

var html = ‘’; //用来存储请求网页的整个html内容

res.setEncoding(‘binary’);

var titles = [];

//监听data事件，每次取一块数据

res.on(‘data’, function (chunk) {

html += chunk;

});

//监听end事件，如果整个网页内容的html都获取完毕，就执行回调函数

res.on(‘end’, function () {

var buf=new Buffer(html,‘binary’);

var str=iconv.decode(buf,‘GBK’);

var $ = cheerio.load(str); //采用cheerio模块解析html

var news_item = {

//获取文章的标题

title: $(‘h4’).text().trim(),

//i是用来判断获取了多少篇文章

i: i = i + 1,

};

console.log(news_item); //打印信息

var news_title = $(‘h4’).text().trim();

savedContent($,news_title); //存储每篇文章的内容及文章标题

savedImg($,news_title); //存储每篇文章的图片及图片标题

//如果没访问完继续访问

if (urlList.length!=0 ) {

fetchPage(urlList.shift());

}

});

}).on(‘error’, function (err) {

本文标签： 爬虫 做一个 简单 nodejs