nodejs网络爬虫技术详解

现在是大数据的时代，网络上现成的数据都在那里，就看你怎么样来利用，网络爬虫，最适合来抓取我们需要的数据。
那用nodejs来完成整个爬虫我们需要哪些模块和技术呢

1.request模块
request是一个用来简化HTTP请求操作的模块，其功能强大而且使用方法简单
具体用法可以参考
http://blog.youlunshidai.com/post?id=91

2.cheerio模块
相信用nodejs做过网络爬虫的小伙伴们都知道cheerio这个模块，是的，他是jQuery Core的子集，其实现了jQuery Core中浏览器无关的DOM操作API,一般通过cheerio.load方法来加载我们通过http请求到的网页内容，然后进行DOM操作，抓取我们需要的数据。
需要注意的是，cheerio并不支持所有jQuery的查询语法
比如$('a:first')会报错，只能写成$('a').first()

具体的使用方法可以通过cheerio模块的主页来获取详细的使用说明
https://npmjs.org/package/cheerio

3.async模块
async是一个使用比较广泛的JS异步流程控制模块，除了可以在Nodejs上运行，也可以在浏览器端运行，主要用于处理Nodejs过程中各种复杂的回调
在这里我们主要用到了async的eachSeries方法，他主要用来异步操作里的串行操作，当我们希望在异步流程里上一个操作执行完之后再执行下一个，而不是同时执行的时候，我们就可以通过eachSeries来循环执行所有的异步操作。
具体的使用方法可以通过async模块的主页来获取详细的使用说明
https://npmjs.org/package/async

4.mysql模块
mysql是Nodejs下比较有名的一个MySQL操作模块，我们需要用到这个模块来把我们抓取到的数据集存储到mysql数据库中
具体的使用方法可以通过mysql模块的主页来获取详细的使用说明
https://github.com/felixge/node-mysql

最后分享一个我项目中的一个完整的网络爬虫源码

var request = require('request');
var cheerio = require('cheerio');
var async = require('async');
var mysql = require('../models/db');

exports.get = function() {
    var domino = 'http://www.tapotiexie.com';
    var url = 'http://www.tapotiexie.com/Line/index/name/yt/p/';
    var txtSource = '踏破铁鞋';
    var url_list = [];
    var list = [];
    for (var i = 1; i < 25; i++) {
        url_list.push(url + i + '.html');
    }
    async.eachSeries(url_list, function(arr_url, callback) {
        console.log('正在抓取' + arr_url + '的数据...');
        request(arr_url, function(err, data) {
            if (err) return console.error(err);
            var $ = cheerio.load(data.body.toString());
            $('.tptx_ytgt .tptx_ytgt_4').each(function() {
                var $me = $(this);
                //解析船公司和船字段
                var arr1 = analyStr($me.find('.tptx_ytgt_2b a').text());
                //解析晚和天
                var arr2 = analyDay($me.find('.tptx_jcyj_2ab_1 span').text());
                var item = {
                    txtCompany: arr1[0],
                    txtCruise: arr1[1],
                    txtLine: analyLine($me.find('.tptx_jcyj_2ab_1 ul li:first-child').text()),
                    txtStartDate: analyStart($me.find('.tptx_jcyj_2ab_1 li').eq(1).text(), $me.find('.tptx_jcyj_2ab_1 span').text()),
                    numDay: Number(arr2[1]),
                    numNight: Number(arr2[0]),
                    numPrice: analyPrice($me.find('.tptx_jcyj_2ac .tptx_jcyj_2ac_1').text()),
                    txtUrl: domino + $me.find('.tptx_ytgt_2b a').attr('href')
                };
                list.push(item);
            });
            callback(err, list);
        });
    }, function(err) {
        if (err) return console.error(err.stack);
        /*写入数据库*/
        async.eachSeries(list, function(record, callback) {
            console.log('正在写入' + record.txtStartDate + '的数据...');
            var sql = 'insert into ...';
            mysql.query(sql, function(err, info) {
                if (err) return console.error(err.stack);
                if (info.affectedRows == 1) {
                    callback(err);
                }
            });
        }, function(err) {
            if (err) return console.error(err.stack);
            console.log('处理成功！');
        });
    });
}

/*按中间的空格解析字符串*/
function analyStr(str) {
    var _newStr = '';
    for (i in str) {
        if (str[i].trim() == '') {
            _newStr += '|';
        } else {
            _newStr += str[i];
        }
    }
    return _newStr.split('||');
}

/*解析航线*/
function analyLine(str) {
    var arr1 = str.split("邮轮线路：");
    return arr1[1];
}

/*解析价格*/
function analyPrice(str) {
    if (str == '售罄') {
        return 0;
    } else {
        var arr1 = str.split("￥");
        var arr2 = arr1[1].split("起");
        return Number(arr2[0]);
    }
}

/*解析晚和天*/
function analyDay(str) {
    var arr1 = str.split('晚');
    var arr2 = arr1[1].split('天');
    var _newStr = arr1[0] + '|' + arr2[0];
    return _newStr.split('|');
}

/*解析出发日期*/
function analyStart(str1, str2) {
    var arr1 = str1.split(str2);
    var arr2 = arr1[0].split('出发时间：');
    return arr2[1];
}

一般的网页文章列表都会采用翻页来实现，那么怎么样获取所有的每一页的数据呢
一般可以通过抓取“下一页”按钮来判断是不是有下一页数据，如果有的话，直接读取下一页链接的href属性