node 写爬虫,原来这么简单
共 4468字,需浏览 9分钟
·
2020-08-29 00:45
作者:CarsonXu
原文地址:https://juejin.im/post/5eca37f951882543345e81df
前言
今天给大家带来的是node简单爬虫,对于前端小白也是非常好理解且会非常有成就感的小技能
爬虫的思路可以总结为:请求 url - > html(信息) -> 解析html
这篇文章呢,就带大家爬取豆瓣TOP250电影的信息。
工具
爬虫必备工具:cheerio
cheerio
简单介绍:cheerio
是 jquery
核心功能的一个快速灵活而又简洁的实现,主要是为了用在服务器端需要对 DOM
进行操作的地方。大家可以简单的理解为用来解析 html
非常方便的工具。使用之前只需要在终端安装即可 npm install cheerio
node爬虫步骤解析
一、选取网页url,使用http协议get到网页数据
豆瓣TOP250链接地址:https://movie.douban.com/top250
首先我们请求http协议,通过http来拿到网页的所有数据
const https = require('https');
https.get('https://movie.douban.com/top250',function(res){
// 分段返回的 自己拼接
let html = '';
// 有数据产生的时候 拼接
res.on('data',function(chunk){
html += chunk;
})
// 拼接完成
res.on('end',function(){
console.log(html);
})
})
上面代码呢,大家一定要注意我们请求数据时,拿到的数据是分段拿到的,我们需要通过自己把数据拼接起来
res.on('data',function(chunk){
html += chunk;
})
拼接完成时 我们可以输出一下,看一下我们是否拿到了完整数据
res.on('end',function(){
console.log(html);
})
二、使用cheerio工具解析需要的内容
const cheerio = require('cheerio');
res.on('end',function(){
console.log(html);
const $ = cheerio.load(html);
let allFilms = [];
$('li .item').each(function(){
// this 循环时 指向当前这个电影
// 当前这个电影下面的title
// 相当于this.querySelector
const title = $('.title', this).text();
const star = $('.rating_num',this).text();
const pic = $('.pic img',this).attr('src');
// console.log(title,star,pic);
// 存 数据库
// 没有数据库存成一个json文件 fs
allFilms.push({
title,star,pic
})
})
可以通过检查网页源代码查看需要的内容在哪个标签下面,然后通过$符号来拿到需要的内容,这里我就拿了电影的名字、评分、电影图片
![](https://filescdn.proginn.com/590edda19f71bd15c14de599c9b6bde2/18eeca5ff99b731bda0c57c730170dbf.webp)
![](https://filescdn.proginn.com/b5e24bd2f7d2f251132f1399178985df/ae17831a23243aedd2453b66e662e3da.webp)
![](https://filescdn.proginn.com/80230db609dc2e7adef22dc0ff71f861/d8be0c61567758b9cdb817e2e65e3854.webp)
到了这时候,你会发现,node
爬虫实现是非常简单的,我们只需要认真分析一下我们拿到的 html
数据,将需要的内容拿出来保存在本地就基本完成了
保存数据
下面就是保存数据了,我将数据保存在 films.json
文件中 将数据保存到文件中,我们引入一个fs模块,将数据写入文件中去
const fs = require('fs');
fs.writeFile('./films.json', JSON.stringify(allFilms),function(err){
if(!err){
console.log('文件写入完毕');
}
})
文件写入代码需要写在 res.on('end')
里面,数据读完->写入 写入完成,可以查看一下films.json
,里面是有爬取的数据的。
下载图片
我们爬取的图片数据是图片地址,如果我们要将图片保存到本地呢?这时候只需要跟前面请求网页数据一样,把图片地址url请求回来,每一张图片写入到本地即可
function downloadImage(allFilms) { for(let i=0; i./images/${i}.png
,str,'binary',function(err){ if(!err){ console.log(第${i}张图片下载成功
); } }) }) }) } } 复制代码 下载图片的步骤跟爬取网页数据的步骤是一模一样的,我们将图片的格式保存为.png
写好了下载图片的函数,我们在 res.on('end')
里面调用一下函数就大功告成了
源码
// 请求 url - > html(信息) -> 解析html
const https = require('https');
const cheerio = require('cheerio');
const fs = require('fs');
// 请求 top250
// 浏览器输入一个 url, get
https.get('https://movie.douban.com/top250',function(res){
// console.log(res);
// 分段返回的 自己拼接
let html = '';
// 有数据产生的时候 拼接
res.on('data',function(chunk){
html += chunk;
})
// 拼接完成
res.on('end',function(){
console.log(html);
const $ = cheerio.load(html);
let allFilms = [];
$('li .item').each(function(){
// this 循环时 指向当前这个电影
// 当前这个电影下面的title
// 相当于this.querySelector
const title = $('.title', this).text();
const star = $('.rating_num',this).text();
const pic = $('.pic img',this).attr('src');
// console.log(title,star,pic);
// 存 数据库
// 没有数据库存成一个json文件 fs
allFilms.push({
title,star,pic
})
})
// 把数组写入json里面
fs.writeFile('./films.json', JSON.stringify(allFilms),function(err){
if(!err){
console.log('文件写入完毕');
}
})
// 图片下载一下
downloadImage(allFilms);
})
})
function downloadImage(allFilms) {
for(let i=0; i const picUrl = allFilms[i].pic;
// 请求 -> 拿到内容
// fs.writeFile('./xx.png','内容')
https.get(picUrl,function(res){
res.setEncoding('binary');
let str = '';
res.on('data',function(chunk){
str += chunk;
})
res.on('end',function(){
fs.writeFile(`./images/${i}.png`,str,'binary',function(err){
if(!err){
console.log(`第${i}张图片下载成功`);
}
})
})
})
}
}
总结
爬虫不是只有 python
才行的,我们 node
也很方便简单,前端新手掌握一个小技能也是非常不错的,对自身的 node
学习有很大的帮助,本文的爬虫技巧只是入门,感兴趣小伙伴可以继续探究。