NodeJS网络爬虫
原文地址：NodeJS网络爬虫
网上有很多其他语言平台版本的网络爬虫，比如Python，Java。那怎么能少得了我们无所不能的javascript呢😂？这个和之前给产品狗开发的批量图片下载配置工具，原理很相似，核心就是调用Node的http模块。
网络爬虫基本就由如下部分组成：
- 程序入口
- 请求模块
- 数据解释
程序入口可以用web页面实现，还可以在网页上显示抓取的数据和分析结果；但是这个我只想把精力花在核心模块，页面和样式不想花太多精力去弄。所以呢，我就开发个node的命令行工具，这个比较成熟的就是commander了。
请求模块方面，我只想抓取百度的页面，还有知乎的页面，它们的请求都是https协议的，好在Node的https和http模块功能几乎是一样的，这里需要做的就是熟悉它的api就好了，也是easy。
数据解释模块，因为抓取出来的页面内容是字符串，所以可以用正则表达式去匹配，但是这样太麻烦了。有没有更好的方式？抓取回来可都是html内容，用jQuery以操作dom的方式去解析数据不是很方便嘛，恰好有个服务端的jquery库cheerio。
页面抓取完，数据也分析出来了，那就非常简单了，你可以选择存入数据库或者写入文件保存。接下来就开始实现上面的功能模块。
程序入口
开始配置和初始花commander，具体的使用方式参考官方的文档：https://www.npmjs.com/package/commander，这里不再详细解释用法了,下面开始配置commander。
首先要在package.json添加如下节点，表示注册了一个命令行 "grab"。
"bin": {
"grab": "bin/grab.js"
},
接着在grab.js开始定义commander，最后我们就可以这样执行命令行："grab baidu <内容>"，当然可以用bd简写代替baidu，知乎的定义和百度是一样，这里不再重复介绍了。
program
// .allowUnknownOption()//不报错误
.version('0.0.1')
.usage('这是我的网络爬虫程序😎'
+'\n grap [option]'
+'\n bd baidu: baidu search'
+'\n zh zhihu: zhihu search');
program
.command('baidu <cmd>')
.alias('bd')
.description('baidu search baidu')
.option("-t, --tieba", "baidu tieba")
.action(function(cmd, options){
console.log('baidu search "%s":', cmd);
request.baiduSearch(cmd);
}).on('--help', function() {
console.log(' Examples:');
console.log();
console.log(' grab bd <cmd>');
console.log(' grab baidu <cmd>');
console.log();
});
program.parse(process.argv);
请求模块
https模块发起请求主要有两种方式，这里稍微封装了下：
- get方式，主要针对的是简单的请求，只需要传递url发起get请求。知乎的调用这个就可以了。
function get(url,callback) {
return https.get(url,function(response) {
var body = '';
response.on('data', function(data) {
body += data;
});
response.on('end', function() {
callback(body);
});
});
}
- requerst方式，不但可以发起get请求，也可以发起post请求，还可以修改端口，请求header。这个主要是针对限制比较多的百度爬虫。百度必须设置header，同时百度请求参数也比较复杂，需要专门配置，具体可参考网上的资料。
function request(options,callback){
// var postData = qs.stringify({});
var body,
req = https.request(options, (res) => {
console.log('STATUS: ' + res.statusCode);
// console.log('HEADERS: ' + JSON.stringify(res.headers));
res.setEncoding('utf8');
res.on('data', function (chunk) {
body+=chunk;
});
res.on('end',function(){
callback(body)
});
});
req.on('error', function(e) {
console.log('problem with request: ' + e.message);
});
// write data to request body
// req.write(postData);
req.end();
}
function baiduRequset(pageNo,pageSize,keyword){
var path='/s?'+qs.stringify({
ie:'utf-8',
f:8,
rsv_bp:1,
tn:'baidu',
rn:pageSize,
pn:pageNo*pageSize,
wd:keyword
}),
options = {
hostname: 'www.baidu.com',
port: 443,
path: path,
method: 'GET',
headers: {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'
}
};
request(options,function(body){
saveFile(pageNo,keyword,body);
showBaiduResult(pageNo,body);
});
}
数据解释
抓取数据之后，我们需要做的就是调用cheerio，以jquery获取dom内容的方式获取结果，并显示出来，当然也可以保存文件或数据库。
/**
* 显示结果
* @param {[type]} pageNo [description]
* @param {[type]} body [description]
* @return {[type]} [description]
*/
function showBaiduResult(pageNo,body){
var title,summary,link,
reg=/<[^<>]+>/g,
$ = cheerio.load(body,{decodeEntities: false});
$('#content_left .result').each(function(i,item){
var $a = $(item).find('h3 a');
title = $a.html();
link = $a.attr('href');
summary=$(item).find('.c-abstract').html();
if(title){
console.log(`第${pageNo+1}页 第${i+1}条`);
console.log(`link: ${link}`.green);
// console.log(`title: ${title}`);
console.log('title: ');
ouputColor(title);
if(summary){
// console.log(`summary: ${summary}`);
console.log('summary: ');
ouputColor(summary);
}
}
console.log('------------------------------');
console.log('');
});
}
// 知乎
exports.zhihuSearch=function(keyword,cb){
get('https://www.zhihu.com/search?type=content&q='+keyword,function(content){
var title,summary;
var $ = cheerio.load(content,{decodeEntities: false});
saveFile(0,keyword,content);
$('.list .item').each(function(i,item){
title=$(item).find('.js-title-link').html();
summary=$(item).find('.summary').html();
if(title){
// title=(''+title).replace(/<[^<>]+>/g,'');
// summary=(''+summary).replace(/<.+>/g,'');
console.log('title: ');
ouputColor(title);
if(summary){
console.log('summary: ');
ouputColor(summary);
}
}
console.log('------------------------------');
console.log('');
});
});
};
执行爬虫
功能完成后，先试验一下抓取知乎的内容
grab zh webgl
抓取到的html文件保存在download文件夹，同时在命令行显示抓取结果。
grab result
如果要执行百度的爬虫，运行如下命令行即可
grab bd webgl
总结
这里完成的是最基本的爬虫功能，代码请看net_grab
