通过nodeJS如何实现爬虫功能

对于新手小白刚入行爬虫行业来说，是选择java、C++、python还是nodeJS作为爬虫语言编程爬虫程序呢，每一种语言都有它独特的特点，那么今天本文将以nodeJS实现一个简单的网页爬虫功能说起。

网页源码

使用http.get()方法获取网页源码，以hao123网站的头条页面为例

http://tuijian.hao123.com/hotrank
 
var http = require('http');
http.get('http://tuijian.hao123.com/hotrank',function(res){
    var data = '';
    res.on('data',function(chunk){
        data += chunk;
    });
    res.on('end',function(){
        console.log(data);
    })
});

筛选数据

以网页中的综艺热点部分

相关源代码如下

通过分析可知，‘综艺’模块与其他模块都位于<div class="top-wrap">中，其中，综艺模块的内层div的monkey='zy'，综艺模块的10条综艺节目的信息都位于<div class="poinr clearfix">中，综艺节目的名称位于中

cheerio

我们怎么从源代码中获取到有用的数据呢？首先，nodeJS不支持document对象。如果要使用笨办法，只能使用正则表达式来处理

cheerio 是nodejs特别为服务端定制的，能够快速灵活的对JQuery核心进行实现。它工作于DOM模型上，且解析、操作、呈送都很高效

【安装】

【使用】

它的使用方法和jQuery相当类似，上手非常容易。以获取综艺热度前10名的节目名称为例

var http = require('http');
var cheerio = require('cheerio');
http.get('http://tuijian.hao123.com/hotrank',function(res){
    var data = '';
    res.on('data',function(chunk){
        data += chunk;
    });
    res.on('end',function(){
        filter(data);
    })
});
function filter(data){
    //保存搜索量前10的综艺节目标题
    var result = [];
    //将页面源代码转换为$对象
    var $ = cheerio.load(data);
    //查找每个综艺节目标题的外层div
    var temp_arr = $('[monkey = "zy"]').find('.point-bd').find('.point-title');
    //将综艺节目标题依次保存到结果数组中
    temp_arr.each(function(index,item){
        result.push($(item).text());
    })
    //[ '变形计','来吧冠军','拜托了冰箱','昆仑决','天生是优我','姐姐好饿','脑力男人时代','奔跑吧兄弟','我想和你唱','玫瑰之旅' ]
    console.log(result);
}

爬虫代码

下面将hao123网页中的’实时热点’、‘今日热点’、‘民生热点’、‘电影’、‘电视剧’、‘综艺’这6部分的排名爬下来，分别到对象名为’result’中的数组中，分别命令为’ss’、‘jr’、‘ms’、‘dy’、‘dsj’、‘zy’

【代码如下】

var http = require('http');
var cheerio = require('cheerio');
http.get('http://tuijian.hao123.com/hotrank',function(res){
    var data = '';
    res.on('data',function(chunk){
        data += chunk;
    });
    res.on('end',function(){
        filter(data);
    })
});
function filter(data){
    //保存各部分搜索量前10的名称
    //对象名为榜单名，如'实时热点'
    //对象内容为10个标题名称组成的数组
    var result = {};
    //将页面源代码转换为$对象
    var $ = cheerio.load(data);
    //查找'实时热点'、'今日热点'、'民生热点'、'电影'、'电视剧'、'综艺'这6个榜单所在的div
    var temp_div = $('.top-wrap');

    //保存榜单名称
    var temp_title = [];

    temp_div.each(function(index,item){
        //查找榜单名，并保存到temp_title文件夹中
        temp_title.push($(item).find('h2').text());

        //查找每类下每个标题的外层div
        var temp_arr = $(item).find('.point-bd').find('.point-title');

        //将result下的每个榜单初始化为一个数组
        var innerResult = result[temp_title[index]] = [];

        //将节目标题依次保存到相应榜单的数组中
        temp_arr.each(function(_index,_item){
            innerResult.push($(_item).text())
        })
    })
    console.log(result);
}