从零学习node.js之简易的网络爬虫（四）
前言
之前已经介绍了node.js的一些基本知识，下面这篇文章我们的目标是学习完本节课程后，能进行网页简单的分析与抓取，对抓取到的信息进行输出和文本保存。
爬虫的思路很简单：
- 确定要抓取的URL；
- 对URL进行抓取，获取网页内容；
- 对内容进行分析并存储；
- 重复第1步
在这节里做爬虫，我们使用到了两个重要的模块：
- request:对http进行封装，提供更多、更方便的接口供我们使用，request进行的是异步请求。更多信息可以去这篇文章上进行查看
- cheerio:类似于jQuery，可以使用$(),find(),text(),html()等方法提取页面中的元素和数据，不过若仔细比较起来，cheerio中的方法不如jQuery的多。
一、 helloworld
说是helloworld，其实首先开始的是最简单的抓取。我们就以cnode网站为例（https://cnodejs.org/）,这个网站的特点是：
- 不需要登录即可访问首页和其他页面
- 页面都是同步渲染的，没有异步请求的问题
- DOM结构清晰
代码如下：
varrequest=require('request'),
cheerio=require('cheerio');
request('https://cnodejs.org/',function(err,response,body){
if(!err&&response.statusCode==200){
//body为源码
//使用cheerio.load将字符串转换为cheerio(jQuery)对象，
//按照jQuery方式操作即可
var$=cheerio.load(body);
//输出导航的html代码
console.log($('.nav').html());
}
});
这样的一段代码就实现了一个简单的网络爬虫，爬取到源码后，再对源码进行拆解分析，比如我们要获取首页中第1页的问题标题，作者，跳转链接，点击数量，回复数量。通过chrome，我们可以得到这样的结构：
每个div[.cell]是一个题目完整的单元，在这里面，一个单元暂时称为$item
{
title:$item.find('.topic_title').text(),
url:$item.find('.topic_title').attr('href'),
author:$item.find('.user_avatarimg').attr('title'),
reply:$item.find('.count_of_replies').text(),
visits:$item.find('.count_of_visits').text()
}
因此，循环div[.cell]，就可以获取到我们想要的信息了：
request('https://cnodejs.org/?_t='+Date.now(),function(err,response,body){
if(!err&&response.statusCode==200){
var$=cheerio.load(body);
vardata=[];
$('#topic_list.cell').each(function(){
var$this=$(this);
//使用trim去掉数据两端的空格
data.push({
title:trim($this.find('.topic_title').text()),
url:trim($this.find('.topic_title').attr('href')),
author:trim($this.find('.user_avatarimg').attr('title')),
reply:trim($this.find('.count_of_replies').text()),
visits:trim($this.find('.count_of_visits').text())
})
});
//console.log(JSON.stringify(data,'',4));
console.log(data);
}
});
//删除字符串左右两端的空格
functiontrim(str){
returnstr.replace(/(^\s*)|(\s*$)/g,"");
}
二、爬取多个页面
上面我们只爬取了一个页面，怎么在一个程序里爬取多个页面呢？还是以CNode网站为例，刚才只是爬取了第1页的数据，这里我们想请求它前6页的数据（别同时抓太多的页面，会被封IP的）。每个页面的结构是一样的，我们只需要修改url地址即可。
2.1同时抓取多个页面
首先把request请求封装为一个方法，方便进行调用，若还是使用console.log方法的话，会把6页的数据都输出到控制台，看起来很不方便。这里我们就使用到了上节文件操作内容，引入fs模块，将获取到的内容写入到文件中，然后新建的文件放到file目录下（需手动创建file目录）：
//把page作为参数传递进去，然后调用request进行抓取
functiongetData(page){
varurl='https://cnodejs.org/?tab=all&page='+page;
console.time(url);
request(url,function(err,response,body){
if(!err&&response.statusCode==200){
console.timeEnd(url);//通过time和timeEnd记录抓取url的时间
var$=cheerio.load(body);
vardata=[];
$('#topic_list.cell').each(function(){
var$this=$(this);
data.push({
title:trim($this.find('.topic_title').text()),
url:trim($this.find('.topic_title').attr('href')),
author:trim($this.find('.user_avatarimg').attr('title')),
reply:trim($this.find('.count_of_replies').text()),
visits:trim($this.find('.count_of_visits').text())
})
});
//console.log(JSON.stringify(data,'',4));
//console.log(data);
varfilename='./file/cnode_'+page+'.txt';
fs.writeFile(filename,JSON.stringify(data,'',4),function(){
console.log(filename+'写入成功');
})
}
});
}
CNode分页请求的链接：https://cnodejs.org/?tab=all&page=2，我们只需要修改page的值即可：
varmax=6;
for(vari=1;i<=max;i++){
getData(i);
}
这样就能同时请求前6页的数据了，执行文件后，会输出每个链接抓取成功时消耗的时间，抓取成功后再把相关的信息写入到文件中：
$nodetest.js 开始请求... https://cnodejs.org/?tab=all&page=1:279ms ./file/cnode_1.txt写入成功 https://cnodejs.org/?tab=all&page=3:372ms ./file/cnode_3.txt写入成功 https://cnodejs.org/?tab=all&page=2:489ms ./file/cnode_2.txt写入成功 https://cnodejs.org/?tab=all&page=4:601ms ./file/cnode_4.txt写入成功 https://cnodejs.org/?tab=all&page=5:715ms ./file/cnode_5.txt写入成功 https://cnodejs.org/?tab=all&page=6:819ms ./file/cnode_6.txt写入成功
我们在file目录下就能看到输出的6个文件了。
2.2控制同时请求的数量
我们在使用for循环后，会同时发起所有的请求，如果我们同时去请求100、200、500个页面呢，会造成短时间内对服务器发起大量的请求，最后就是被封IP。这里我写了一个调度方法，每次同时最多只能发起5个请求，上一个请求完成后，再从队列中取出一个进行请求。
/*
@paramdata[]需要请求的链接的集合
@parammaxnum最多同时请求的数量
*/
functionDispatch(data,max){
var_max=max||5,//最多请求的数量
_dataObj=data||[],//需要请求的url集合
_cur=0,//当前请求的个数
_num=_dataObj.length||0,
_isEnd=false,
_callback;
varss=function(){
vars=_max-_cur;
while(s--){
if(!_dataObj.length){
_isEnd=true;
break;
}
varsurl=_dataObj.shift();
_cur++;
_callback(surl);
}
}
this.start=function(callback){
_callback=callback;
ss();
},
this.call=function(){
if(!_isEnd){
_cur--;
ss();
}
}
}
vardis=newDispatch(urls,max);
dis.start(getData);
然后在getData中，写入文件的后面，进行dis的回调调用：
varfilename='./file/cnode_'+page+'.txt';
fs.writeFile(filename,JSON.stringify(data,'',4),function(){
console.log(filename+'写入成功');
})
dis.call();
这样就实现了异步调用时控制同时请求的数量。
三、抓取需要登录的页面
比如我们在抓取CNode，百度贴吧等一些网站，是不需要登录就可以直接抓取的，那么如知乎等网站，必须登录后才能抓取，否则直接跳转到登录页面。这种情况我们该怎么抓取呢？
使用cookie。用户登录后，都会在cookie中记录下用户的一些信息，我们在抓取一些页面，带上这些cookie，服务器就会认为我们处于登录状态，程序就能抓取到我们想要的信息。
先在浏览器上登录我们的帐号，然后在console中使用document.domain获取到所有cookie的字符串，复制到下方程序的cookie处（如果你知道哪些cookie不需要，可以剔除掉）。
request({
url:'https://www.zhihu.com/explore',
headers:{
//"Referer":"www.zhihu.com"
cookie:xxx
}
},function(error,response,body){
if(!error&&response.statusCode==200){
//console.log(body);
var$=cheerio.load(body);
}
})
同时在request中，还可以设定referer，比如有的接口或者其他数据，设定了referer的限制，必须在某个域名下才能访问。那么在request中，就可以设置referer来进行伪造。
四、保存抓取到的图片
页面中的文本内容可以提炼后保存到文本或者数据库中，那么图片怎么保存到本地呢。
图片可以使用request中的pipe方法输出到文件流中，然后使用fs.createWriteStream输出为图片。
这里我们把图片保存到以日期创建的目录中，mkdirp可一次性创建多级目录（./img/2017/01/22）。保存的图片名称，可以使用原名称，也可以根据自己的规则进行命名。
varrequest=require('request'),
cheerio=require('cheerio'),
fs=require('fs'),
path=require('path'),//用于分析图片的名称或者后缀名
mkdirp=require('mkdirp');//用于创建多级目录
vardate=newDate(),
year=date.getFullYear(),
month=date.getMonth()+1,
month=('00'+month).slice(-2),//添加前置0
day=date.getDate(),
day=('00'+day).slice(-2),//添加前置0
dir='./img/'+year+'/'+month+'/'+day+'/';
//根据日期创建目录./img/2017/01/22/
varstats=fs.statSync(dir);
if(stats.isDirectory()){
console.log(dir+'已存在');
}else{
console.log('正在创建目录'+dir);
mkdirp(dir,function(err){
if(err)throwerr;
})
}
request({
url:'http://desk.zol.com.cn/meinv/?_t='+Date.now()
},function(err,response,body){
if(err)throwerr;
if(response.statusCode==200){
var$=cheerio.load(body);
$('.photo-list-paddingimg').each(function(){
var$this=$(this),
imgurl=$this.attr('src');
varext=path.extname(imgurl);//获取图片的后缀名，如.jpg,.png.gif等
varfilename=Date.now()+'_'+parseInt(Math.random()*10000)+ext;//命名方式：毫秒时间戳+随机数+后缀名
//varfilename=path.basename(imgurl);//直接获取图片的原名称
//console.log(filename);
download(imgurl,dir+filename);//开始下载图片
})
}
});
//保存图片
vardownload=function(imgurl,filename){
request.head(imgurl,function(err,res,body){
request(imgurl).pipe(fs.createWriteStream(filename));
console.log(filename+'success!');
});
}
在对应的日期目录里（如./img/2017/01/22/），就可以看到下载的图片了。
总结
我们这里只是写了一个简单的爬虫，针对更复杂的功能，则需要更复杂的算法的来控制了。还有如何抓取ajax的数据，我们会在后面进行讲解。以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作能带来一定的帮助，小编还会继续分享关于node入门学习的文章，感兴趣的朋友们请继续关注毛票票。