使用Node.js实现简易爬虫的方法

来源：懂视网责编：小采时间：2020-11-27 20:23:48

使用Node.js实现简易爬虫的方法

使用Node.js实现简易爬虫的方法:为什么选择利用node来写爬虫呢？就是因为cheerio这个库，全兼容jQuery语法，熟悉的话用起来真真是爽依赖选择cheerio： Node.js 版的jQueryhttp：封装了一个HTPP服务器和一个简易的HTTP客户端iconv-lite：解决爬取gb2312网页出现乱码初步实现既然是

推荐度：

点击下载本文 文档为doc格式

导读使用Node.js实现简易爬虫的方法:为什么选择利用node来写爬虫呢？就是因为cheerio这个库，全兼容jQuery语法，熟悉的话用起来真真是爽依赖选择cheerio： Node.js 版的jQueryhttp：封装了一个HTPP服务器和一个简易的HTTP客户端iconv-lite：解决爬取gb2312网页出现乱码初步实现既然是

为什么选择利用node来写爬虫呢？就是因为cheerio这个库，全兼容jQuery语法，熟悉的话用起来真真是爽

依赖选择

cheerio： Node.js 版的jQuery

http：封装了一个HTPP服务器和一个简易的HTTP客户端

iconv-lite：解决爬取gb2312网页出现乱码

初步实现

既然是要爬取网站内容，那我们就应该先去看看网站的基本构成
选取的是电影天堂作为目标网站，想要去爬取所有最新电影的下载链接

分析页面

页面结构如下：
使用Node.js实现简易爬虫的方法

我们可以看到每个电影的标题都在一个class为ulink的a标签下，再往上定位，我们可以看到最外部的盒子class为co_content8

ok，可以开工了

获取一页电影标题

首先引入依赖，并设定需要爬取的url

var cheerio = require('cheerio');
var http = require('http');
var iconv = require('iconv-lite');

var url = 'http://www.ygdy8.net/html/gndy/dyzz/index.html';

核心代码 index.js

http.get(url, function(sres) {
 var chunks = [];
 sres.on('data', function(chunk) {
 chunks.push(chunk);
 });
 // chunks里面存储着网页的 html 内容，将它zhuan ma传给 cheerio.load 之后
 // 就可以得到一个实现了 jQuery 接口的变量，将它命名为 `$`
 // 剩下就都是 jQuery 的内容了
 sres.on('end', function() {
 var titles = [];
 //由于咱们发现此网页的编码格式为gb2312，所以需要对其进行转码，否则乱码
 //依据：“<meta http-equiv="Content-Type" content="text/html; charset=gb2312">”
 var html = iconv.decode(Buffer.concat(chunks), 'gb2312');
 var $ = cheerio.load(html, {decodeEntities: false});
 $('.co_content8 .ulink').each(function (idx, element) {
 var $element = $(element);
 titles.push({
 title: $element.text()
 })
 }) 
 console.log(titles); 
 });
});

运行node index

结果如下
使用Node.js实现简易爬虫的方法

成功获取电影title，那如果我想获取多个页面的title呢，总不可能一个一个url去改吧。这当然有办法，请往下看！

获取多页电影标题

我们只要将之前的代码封装成一个函数并递归执行就完成了

核心代码 index.js

var index = 1; //页面数控制
var url = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_';
var titles = []; //用于保存title

function getTitle(url, i) {
 console.log("正在获取第" + i + "页的内容"); 
 http.get(url + i + '.html', function(sres) {
 var chunks = [];
 sres.on('data', function(chunk) {
 chunks.push(chunk);
 });
 sres.on('end', function() {
 var html = iconv.decode(Buffer.concat(chunks), 'gb2312');
 var $ = cheerio.load(html, {decodeEntities: false});
 $('.co_content8 .ulink').each(function (idx, element) {
 var $element = $(element);
 titles.push({
 title: $element.text()
 })
 }) 
 if(i < 2) { //为了方便只爬了两页
 getTitle(url, ++index); //递归执行，页数+1
 } else {
 console.log(titles); 
 console.log("Title获取完毕！"); 
 }
 });
 });
}

function main() {
 console.log("开始爬取");
 getTitle(url, index);
}

main(); //运行主函数

结果如下
使用Node.js实现简易爬虫的方法

获取电影下载连接

如果是人工操作，我们需要一次操作，通过点击进入电影详情页才能找到下载地址
那我们通过node如何来实现呢

常规先来分析页面布局
使用Node.js实现简易爬虫的方法

我们如果想要准确定位到下载链接，需要先找到id为Zoom的p，下载链接就在这个p下的tr下的a标签内。

那我们就再定义一个函数，用于获取下载链接

getBtLink()

function getBtLink(urls, n) { //urls里面包含着所有详情页的地址
 console.log("正在获取第" + n + "个url的内容");
 http.get('http://www.ygdy8.net' + urls[n].title, function(sres) {
 var chunks = [];
 sres.on('data', function(chunk) {
 chunks.push(chunk);
 });
 sres.on('end', function() {
 var html = iconv.decode(Buffer.concat(chunks), 'gb2312'); //进行转码
 var $ = cheerio.load(html, {decodeEntities: false});
 $('#Zoom td').children('a').each(function (idx, element) {
 var $element = $(element);
 btLink.push({
 bt: $element.attr('href')
 })
 })
 if(n < urls.length - 1) {
 getBtLink(urls, ++count); /／递归
 } else {
 console.log("btlink获取完毕！");
 console.log(btLink); 
 }
 });
 });
}

再次运行 node index
使用Node.js实现简易爬虫的方法

就这样我们将3个页面内所有电影的下载链接获取完毕，是不是很简单？

保存数据

我们讲这些数据爬取出来当然是要进行保存的啊，在这里我选用了MongoDB来对其进行保存处理

数据保存函数 save()

function save() {
 var MongoClient = require('mongodb').MongoClient; //导入依赖
 MongoClient.connect(mongo_url, function (err, db) {
 if (err) {
 console.error(err);
 return;
 } else {
 console.log("成功连接数据库");
 var collection = db.collection('node-reptitle');
 collection.insertMany(btLink, function (err,result) { //插入数据
 if (err) {
 console.error(err);
 } else {
 console.log("保存数据成功");
 }
 })
 db.close();
 }
 });
}

这里的操作很简单，就没必要上mongoose啦
再次运行 node index
使用Node.js实现简易爬虫的方法