欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

手把手教你学node.js之使用 superagent 与 cheerio 完成简单爬虫

程序员文章站 2022-08-28 15:39:19
使用 superagent 与 cheerio 完成简单爬虫 目标 建立一个 lesson 3 项目,在其中编写代码。 当在浏览器中访问 http://localhost:3000/ 时,输出 CNode(https://cnodejs.org/ ) 社区首页的所有帖子标题和链接,以 json 的形 ......

使用 superagent 与 cheerio 完成简单爬虫

目标

建立一个 lesson 3 项目,在其中编写代码。

当在浏览器中访问 时,输出 CNode( ) 社区首页的所有帖子标题和链接,以 json 的形式。

输出示例:

[
  {
    "title":"【NODE PARTY】【上海】【6月9日 13:30】报名&答疑帖",
    "href":"http://cnodejs.org/topic/5ae140407b0e8dc508cca7cc"
  },
  {
    "title": "为社区做贡献,帮社区写自动化测试代码",
    "href": "http://cnodejs.org/topic/5ab34443e7b166bb7b9ecd06
  }
]

挑战

访问 http://locahost:3000时,输出包括主题的作者

示例:

[
  {
    "title":"【NODE PARTY】【上海】【6月9日 13:30】报名&答疑帖",
    "href":"http://cnodejs.org/topic/5ae140407b0e8dc508cca7cc",
    "author": "alsotang"
  },
  {
    "title": "为社区做贡献,帮社区写自动化测试代码",
    "href": "http://cnodejs.org/topic/5ab34443e7b166bb7b9ecd06",
    "author": "otheruser"
  }
]

知识点:

1.学习使用 superagent 抓取网页

2.学习使用 cheerio 分析网页

课程内容:

Node.js 总是吹牛逼说自己异步特性多么多么厉害,但是对于初学者来说,要找一个能好好利用异步的场景不容易。我想来想去,爬虫的场景就比较适合,没事就异步并发地爬几个网站玩玩。

本来想教大家怎么爬 github 的 api 的,但是 github 有 rate limit 的限制,所以只好牺牲一下 CNode 社区(国内最专业的 Node.js 开源技术社区),教大家怎么去爬它了。

我们这回需要用到三个依赖,分别是 express,superagent 和 cheerio。

先介绍一下,

superagent( ) 是个 http 方面的库,可以发起 get 或 post 请求。

cheerio( ) 大家可以理解成一个 Node.js 版的 jquery,用来从网页中以 css selector 取数据,使用方式跟 jquery 一样一样的。

还记得我们怎么新建一个项目吗?

1.新建一个文件夹,进去之后 npm init
2.安装依赖 npm install --save PACKAGE_NAME
3.写应用逻辑

我们应用的核心逻辑长这样

app.get('/', function (req, res, next) {
  // 用 superagent 去抓取 https://cnodejs.org/ 的内容
  superagent.get('https://cnodejs.org/')
    .end(function (err, sres) {
      // 常规的错误处理
      if (err) {
        return next(err);
      }
      // sres.text 里面存储着网页的 html 内容,将它传给 cheerio.load 之后
      // 就可以得到一个实现了 jquery 接口的变量,我们习惯性地将它命名为 `$`
      // 剩下就都是 jquery 的内容了
      var $ = cheerio.load(sres.text);
      var items = [];
      $('#topic_list .topic_title').each(function (idx, element) {
        var $element = $(element);
        items.push({
          title: $element.attr('title'),
          href: $element.attr('href')
        });
      });

      res.send(items);
    });
});

OK,一个简单的爬虫就是这么简单。这里我们还没有利用到 Node.js 的异步并发特性。不过下两章内容都是关于异步控制的。

记得好好看看 superagent 的 API,它把链式调用的风格玩到了极致。

感谢前辈的总结,()