黑马程序员技术交流社区

标题: 【上海校区】用node.js从零开始去写一个简单的爬虫 [打印本页]

---

作者: 梦缠绕的时候    时间: 2018-8-16 10:53
标题: 【上海校区】用node.js从零开始去写一个简单的爬虫

如果你不会Python语言，正好又是一个node.js小白，看完这篇文章之后，一定会觉得受益匪浅，感受到自己又新get到了一门技能，如何用node.js从零开始去写一个简单的爬虫，十分钟时间就能搞定，步骤其实很简单。node的安装就不一步步的解释了，如果不会可以自行百度。在node开大环境下开始第一步：

1：在d盘新建一个文件夹WebSpider

2：cmd右键以管理员模式打开，进入d盘，cd 进入刚刚创建的文件夹里面
cd WebSpider

3:mkdir FirstSpider （创建一个FirstSpider文件夹）

创建FirstSpider文件夹之后的目录

4:进入刚刚创建的文件夹里面 cd FirstSpider

5： npm init （初始化工程）

此时需要填写一些项目信息，你可以根据情况填写，当然也可以一路回车。

创建完项目后，会生成一个package.json的文件。该文件包含了项目的基本信息。

6：安装第三方包（后面程序会直接调用包的模块）

说明：由于http模块、fs模块都是内置的包，因此不需要额外添加。

这里安装cheerio包，和request包。request 用于发起http请求
cheerio 用于将下载下来的dom进行分析和提取 你可以把它当做jQuery来用

在cmd中，cd进入cd FirstSpider文件夹，然后执行命令：
npm install cheerio –save

安装完cheerio包后，继续安装request包， npm install request –save

说明：npm（nodejs package manager），nodejs包管理器；
–save的目的是将项目对该包的依赖写入到package.json文件中。

如果想要将爬取的数据和图片分类放好，那就事先建立一个data和image文件夹准备着。
在FirstSpider文件夹下新建

• 
  
  创建子文件夹data（用于存放所抓取的新闻文本内容）
  
  
• 
  
  创建子文件夹image（用于存放所抓取的图片资源）
  
  
• 
  
  创建一个first_spider文件
  
  
  

整个项目的目录结构如下图所示：

7：重点内容，打开first_spider，并一行一行的敲代码，如果你不想写代码的话，去网站上找一些代码过来进行测试即可。

• 
  
  var request = require('request')
  
  
• 
  
  var cheerio = require('cheerio')
  
  
• 
  
  for(var i = 1;i<4;i++){
  
  
• 
  
    request('http://www.souweixin.com/personal?t=41&p='+i,function(error,response,body){
  
  
• 
  
      if(!error && response.statusCode == 200){
  
  
• 
  
        $ = cheerio.load(body)
  
  
• 
  
        var links = [];
  
  
• 
  
          $(".boldBorder > a").each(function(i,item){
  
  
• 
  
            links.push($(this).attr("href"))
  
  
• 
  
          })
  
  
• 
  
        for(var i=0;i<links.length;i++){
  
  
• 
  
          request('http://www.souweixin.com'+links,function(error,response,body){
  
  
• 
  
            if(!error && response.statusCode == 200){
  
  
• 
  
              $ = cheerio.load(body)
  
  
• 
  
              console.log('weixin: '+$('.bold').text()+'   name: '+$('h1').text()+'   desc: '+$('.f18').text());
  
  
• 
  
            }
  
  
• 
  
          })
  
  
• 
  
        }
  
  
• 
  
      }
  
  
• 
  
    })
  
  
• 
  
  }
  
  
  

8：运行程序，命令很简单哦
在cmd命令行下，cd 到你创建工程文件夹FirstSpider下，然后 node first_spider.js 程序就跑起来了。

9：注意：如果这个时候遇见这样的bug

80端口被占用，这里额外的提一下：
解决端口被占用的问题：https://www.jianshu.com/p/a7fc19b0c2f1

找到这些端口，一个个关闭即可

---

作者: 不二晨    时间: 2018-8-16 17:11
奈斯

---

欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2