位置: 编程技术 - 正文

Node.js 实现简单小说爬虫实例(nodejs实战教程)

编辑:rootadmin

推荐整理分享Node.js 实现简单小说爬虫实例(nodejs实战教程),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:node.js快速入门,node.js怎么用,nodejs实现简单的发布文章,nodejs实战教程,node.js怎么用,nodejs实战教程,nodejs实现简单的发布文章,node.js怎么用,内容如对您有帮助,希望把文章链接给更多的朋友!

最近因为剧荒,老大追了爱奇艺的一部网剧,由丁墨的同名小说《美人为馅》改编,目前已经放出两季,虽然整部剧槽点满满,但是老大看得不亦乐乎,并且在看完第二季之后跟我要小说资源,直接要奔原著去看结局……

随手搜了下,都是在线资源,下载的话需要登录,注册登录好麻烦,写个爬虫玩玩也好,于是动手用 node 写了一个,这里做下笔记

工作流程

获取 URLs 列表(请求资源 request模块) 根据 URLs 列表获取相关页面源码(可能遇到页面编码问题,iconv-lite模块) 源码解析,获取小说信息( cheerio模块) 保存小说信息到 Markdown 文件,并且加适当修饰以及章节信息(写文件 fs、同步请求资源 sync-request 模块) Markdown 转 PDF (使用 Pandoc 或者 Chrome 的打印功能)

获取 URLs

根据小说的导航页,获取小说所有章节的 URL,并且以 JSON 数组的方式存储。

首选通过 http.get() 方法获取页面源码 获取到源码,打印发现中文乱码,查看发现 charset = 'gbk',需要进行转码 使用 iconv-lite 模块进行转码,中文显示正常后开始解析源码,获取需要的 URL,为了更方便地解析,需要引进 cheerio 模块,cheerio 可以理解为运行在后台的 jQuery,用法与 jQuery 也十分相似,熟悉 jQuery 的同学可以很快的上手 将源码加载进 cheerio,分析了源码后得知所有章节信息都存于被 div 包裹的 a 标签中,通过 cheerio 取出符合条件的 a 标签组,进行遍历,获取章节的 title 和 URL,保存为对象,存进数组,(因为链接中存储的 URL 不完整,所以存储时需要补齐) 将对象数组序列化,写进 list.json 文件

获取的列表示例

获取数据

有了 URLs 列表,接下来的工作就很机械了,遍历 URLs 列表请求资源,获取源码,解析源码,获取小说,写文件,但是,因为最终将所有的章节保存入一个文件,要保证章节的顺序,因此写文件需要 同步操作,实际上,我在编码的时候所有的操作都改成了同步方式

获取源码

通过解析读取的 list.json 文件,获取到 URLs 列表,遍历列表获取资源,因为需要确保章节的顺序,所以这里引进 sync-request 模块进行同步 request 请求资源,请求资源后照例转码

Node.js 实现简单小说爬虫实例(nodejs实战教程)

解析源码,获取小说

还是通过 cheerio 模块获取小说内容,避免影响观感,写操作之前去除内容中的的 html 标签

保存小说

写操作也需要同步操作,因此使用了同步写函数 fs.writeFileSync() 和 同步添加函数 fs.appendFileSync(),第一次写使用写函数,之后的内容都是进行 append 操作,为了改善阅读体验,每个章节前添加标题

也可以在内容前添加 拍 [TOC],作为导航链接

Markdown 转 PDF

我将小说保存在 Markdown 文件中,为了提升阅读体验,可以将 Markdown 文件转换成 PDF 文件,目前我较为喜欢的两种方式,通过 Chrome 的打印功能 以及 pandoc 转换

Chrome 打印

SublimeText 有个插件 markdown preview ,可通过 Alt + m 快捷键在 Chrome 中预览 Markdown,在 Chrome 页面中右键,选择打印,调整好参数后,选择另存为 PDF,简单,粗暴,深得我心

打印效果:

pandoc 转换pandoc 是十分强大的文件格式转换工具,可以将 Markdown 文件转换成多种格式,今晚在 windows 下折腾了半天,始终检索不到 pdflatex,关于 pandoc,后面会专门写一篇总结。

PDF 已经发给老大了,现在正在看

关于python、node、爬虫

在之前很长的一段时间里,很想用 Python,很想写爬虫,更想用 Python 写爬虫,甚至成为了心里的一块执念,随着接触的知识更全面,执念也逐渐淡去,少了很多“想”,遇事想着多去动手,实践出真知。

标签: nodejs实战教程

本文链接地址:https://www.jiuchutong.com/biancheng/374088.html 转载请保留说明!

上一篇:Nodejs下DNS缓存问题浅析(nodejs ddd)

下一篇:node+experss实现爬取电影天堂爬虫(node网络爬虫)

  • 企业所得税汇算清缴账务处理
  • 前期费用包括哪些,占总投资的比例
  • 红字发票抵扣联丢了怎么办
  • 应交税费贷方有余额,怎么销账
  • 公司取现需要带什么东西
  • 纳税总额和实际上缴税费总额
  • 不动产折旧年限的规定
  • 银行存款支付现金股利属于什么科目
  • 收资料费怎么入账科目
  • 个人去税务局能开什么类型的发票
  • 应付利息与应付利息区别
  • 抵减以前年度多缴企业所得税分录
  • 坏账准备如何计提计算
  • 发票与报税记录不一致
  • 销售佣金的税率怎么算
  • 并购重组中需要哪些条件
  • 税务年报网上怎么申报小微企业
  • 因为担保被起诉怎么办
  • 库存现金出现负数怎么跟客户沟通
  • 在Win7中,鼠标非最大化
  • 法人治理包括哪些方面
  • 固定资产清理应交税费怎么算
  • PHP:xml_parser_get_option()的用法_XML解析器函数
  • windows 11什么时候
  • 对公账户存款利息要交增值税吗
  • 最早遥控器是谁发明的
  • php数组函数大全
  • 进项税额转出会造成增值税应纳税额
  • 税收包含哪些税种
  • 委托证券公司发行股票的手续费计入什么科目
  • 客户要回扣
  • 长期应付款核算范围有哪些
  • 小规模单位没交五险一金
  • 年收入1500万是富人吗
  • 无租房合同可以贷款吗
  • 哪些发票不可以报销入账
  • 本年利润的会计分录
  • 负债与所有者权益比率计算公式
  • 缴纳的增值税怎么做账
  • 建筑公司工程按什么收费
  • 快递公司的会计都需要做什么
  • 工会年末结余会计分录
  • 过路费计入差旅费还是车辆
  • 大中小企业划分标准2022最新
  • 股权变更产生的税费
  • 员工在外餐费怎么做账
  • sql server多表查询
  • linux中yum的使用
  • mysql 5.7.33安装
  • solaris命令
  • 游戏卡怎么打开
  • windrv.exe
  • version 2什么意思
  • linux wc命令如何实现
  • win10周年更新版是什么意思
  • 深度技术win7光盘安装教程
  • linux安装tmux
  • linux用yum
  • win8 更新
  • linux 日历
  • win8程序和功能在哪
  • win8声音小怎么解决
  • opengl
  • angular创建项目命令
  • android界面切换与数据传递
  • jquery 动态加载js
  • 批处理设置文件夹添加user组权限
  • 基于python的游戏
  • shell脚本计算执行时间
  • JavaScript中length属性的使用方法
  • unity GetComponentsInChildren
  • python异常处理的关键词
  • android view类
  • js获取图片的宽高
  • 污水处理费收入
  • 高级人民法院党组书记级别
  • 如何在河南省社会保障网上平台进行社保基数申报
  • 济南社保减免政策2020通知
  • 湖北省国家税务局历任局长
  • 购房合同交契税怎么交
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设