NodeJS學習：爬蟲小探

---

說明:本文在個人博客地址為edwardesire.com，歡迎前來品嘗。

---

今天來學習alsotang的爬蟲教程，跟着把CNode簡單地爬一遍。

---

1. 建立項目craelr-demo
   我們首先建立一個Express項目，然后將app.js的文件內容全部刪除，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文件夾下直接 npm install express來使用我們需要的Express功能。

2. 目標網站分析
   如圖，這是CNode首頁一部分div標簽，我們就是通過這一系列的id、class來定位我們需要的信息。
   

3. 使用superagent獲取源數據
   superagent就是ajax API來使用的Http庫，它的使用方法與jQuery差不多，我們通過它發起get請求，在回調函數中輸出結果。

    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信息的對象，網站內容主要在其text(string)里。
   

4. 使用cheerio解析
   cheerio充當服務器端的jQuery功能，我們先使用它的.load()來載入HTML，再通過CSS selector來篩選元素。

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

   其結果為一個個對象，調用 .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($element.attr('title'));的結果為 廣州 2014年12月06日 NodeParty 之 UC 場
   之類的標題，輸出 console.log($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。

    superagent.get(tUrl)
        .end(function (err, res) {
            if (err) {
                return console.error(err);
            }
            var topicUrls = [];
            var $ = cheerio.load(res.text);
            // 獲取首頁所有的鏈接
            $('#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);
            });
        });
   

5. 使用eventproxy來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。當所有的抓取完成后，eventproxy接收到事件消息自動幫你調用處理函數。

    //第一步：得到一個 eventproxy 的實例
    var ep = new eventproxy();
   
    //第二步：定義監聽事件的回調函數。
    //after方法為重復監聽
    //params: eventname(String) 事件名,times(Number) 監聽次數, callback 回調函數
    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：確定放出事件消息的
    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

   

6. 擴展練習(挑戰)

   • 獲取留言用戶名和積分

   

   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，我們需要獲取東西都在這里頭。
   

   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。

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

   我們可以通過https://cnodejs.org/user/username抓取積分信息

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

   在用戶信息頁面 $('.big').text().trim()即為積分信息。

   使用cheerio的函數.get(0)為獲取第一個元素。

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

   這只是對於單個文章的抓取，對於40個還有需要修改的地方。

---

Notes:

1. 爬蟲定義
2. superagent
3. cheerio
4. Ajax
5. jQuery
6. 30種CSS Selectors
7. eventproxy