位置: 编程技术 - 正文

从零学习node.js之简易的网络爬虫(四)(node.js入门教程)

编辑:rootadmin

推荐整理分享从零学习node.js之简易的网络爬虫(四)(node.js入门教程),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:怎么学node.js,node.js怎么学,nodejs怎么学,学node.js需要什么基础,学node.js需要什么基础,node js入门,学node.js需要什么基础,node.js入门教程,内容如对您有帮助,希望把文章链接给更多的朋友!

前言

之前已经介绍了node.js的一些基本知识,下面这篇文章我们的目标是学习完本节课程后,能进行网页简单的分析与抓取,对抓取到的信息进行输出和文本保存。

爬虫的思路很简单:

确定要抓取的URL; 对URL进行抓取,获取网页内容; 对内容进行分析并存储; 重复第1步

在这节里做爬虫,我们使用到了两个重要的模块:

request : 对http进行封装,提供更多、更方便的接口供我们使用,request进行的是异步请求。更多信息可以去这篇文章上进行查看 cheerio : 类似于jQuery,可以使用$(), find(), text(), html()等方法提取页面中的元素和数据,不过若仔细比较起来,cheerio中的方法不如jQuery的多。

一、 hello world

说是hello world,其实首先开始的是最简单的抓取。我们就以cnode网站为例( 不需要登录即可访问首页和其他页面 页面都是同步渲染的,没有异步请求的问题 DOM结构清晰

代码如下:

这样的一段代码就实现了一个简单的网络爬虫,爬取到源码后,再对源码进行拆解分析,比如我们要获取首页中第1页的 问题标题,作者,跳转链接,点击数量,回复数量。通过chrome,我们可以得到这样的结构:

每个div[.cell]是一个题目完整的单元,在这里面,一个单元暂时称为$item

因此,循环div[.cell] ,就可以获取到我们想要的信息了:

二、爬取多个页面

上面我们只爬取了一个页面,怎么在一个程序里爬取多个页面呢?还是以CNode网站为例,刚才只是爬取了第1页的数据,这里我们想请求它前6页的数据(别同时抓太多的页面,会被封IP的)。每个页面的结构是一样的,我们只需要修改url地址即可。

2.1 同时抓取多个页面

从零学习node.js之简易的网络爬虫(四)(node.js入门教程)

首先把request请求封装为一个方法,方便进行调用,若还是使用console.log方法的话,会把6页的数据都输出到控制台,看起来很不方便。这里我们就使用到了上节文件操作内容,引入fs模块,将获取到的内容写入到文件中,然后新建的文件放到file目录下(需手动创建file目录):

CNode分页请求的链接: 控制同时请求的数量

我们在使用for循环后,会同时发起所有的请求,如果我们同时去请求、、个页面呢,会造成短时间内对服务器发起大量的请求,最后就是被封IP。这里我写了一个调度方法,每次同时最多只能发起5个请求,上一个请求完成后,再从队列中取出一个进行请求。

然后在 getData 中,写入文件的后面,进行dis的回调调用:

这样就实现了异步调用时控制同时请求的数量。

三、抓取需要登录的页面

比如我们在抓取CNode,百度贴吧等一些网站,是不需要登录就可以直接抓取的,那么如知乎等网站,必须登录后才能抓取,否则直接跳转到登录页面。这种情况我们该怎么抓取呢?

使用cookie。 用户登录后,都会在cookie中记录下用户的一些信息,我们在抓取一些页面,带上这些cookie,服务器就会认为我们处于登录状态,程序就能抓取到我们想要的信息。

先在浏览器上登录我们的帐号,然后在console中使用document.domain获取到所有cookie的字符串,复制到下方程序的cookie处(如果你知道哪些cookie不需要,可以剔除掉)。

同时在request中,还可以设定referer,比如有的接口或者其他数据,设定了referer的限制,必须在某个域名下才能访问。那么在request中,就可以设置referer来进行伪造。

四、保存抓取到的图片

页面中的文本内容可以提炼后保存到文本或者数据库中,那么图片怎么保存到本地呢。

图片可以使用request中的pipe方法输出到文件流中,然后使用fs.createWriteStream输出为图片。

这里我们把图片保存到以日期创建的目录中,mkdirp可一次性创建多级目录(./img///)。保存的图片名称,可以使用原名称,也可以根据自己的规则进行命名。

在对应的日期目录里(如./img////),就可以看到下载的图片了。

总结

我们这里只是写了一个简单的爬虫,针对更复杂的功能,则需要更复杂的算法的来控制了。还有如何抓取ajax的数据,我们会在后面进行讲解。

标签: node.js入门教程

本文链接地址:https://www.jiuchutong.com/biancheng/376381.html 转载请保留说明!

上一篇:从零学习node.js之文件操作(三)(怎么学node.js)

下一篇:基于Nodejs利用socket.io实现多人聊天室(socketio nodejs)

  • 增值税有哪几类
  • 固定资产减少如何处理
  • 软件企业两免三减半备案条件
  • 企业城建税教育费附加和地教费的税率是多少
  • 作家以及作品
  • 销售收入包括应收销货款
  • 经营期间银行存在的问题
  • 在建工程完工验收报告
  • 海关进口货物如何消杀
  • 货币基金可以投资
  • 给职工发放的福利费,要从应付职工薪酬科目吗
  • 小规模定期定额计税依据
  • 非税收入通用票据需要盖章吗
  • 税控盘维护费280怎么交
  • 最新消费税税目顺口溜
  • 银行存款余额调节表保管期限
  • 查账征收改为核定征收需要什么资料
  • iphone6按键功能介绍
  • 公司注销时账面处理
  • 红魔3和一加7pro哪个好
  • 无法设置系统更新的原因
  • 上个月做的无票收入,这个月开票怎样做分录
  • php str函数
  • 委托境外研发费用怎么扣除
  • 个人非货币性资产投资个人所得税
  • vue3.0解决跨域
  • 日本北海道 (© Hiroshi Yokoyama/eStock Photo)
  • 简单了解航天员的生活
  • 云霞下的麦田
  • 存货的采购成本包括
  • 核定征收开票超过限额
  • uniapp示例
  • 区块链网站模板
  • route命令的作用
  • 销售退货和折让是收入吗?吗?
  • 月末制造费用可以有余额吗
  • 先收到保险公司赔付然后赔给顾客医药费怎么做帐
  • 织梦设置会员访问
  • 只开发票没有合同也要印花税吗
  • sql server自动生成行号
  • 开发票需要填银行吗?
  • 取得股息红利所得 个人所得税
  • 工程项目甲方是什么意思
  • 土地租金计入什么会计科目
  • 现金预算包括哪些内容,来源是什么
  • 应收分保合同准备材料
  • 开具发票时如何做账务处理?
  • 企业征收所得税会计分录
  • 冲销上年多计提费用
  • 银行代发工资当天改工资卡来得及吗
  • 上个月进项发票在哪查询
  • 一般纳税人购货取得普通发票
  • 领用自产产品用于固定资产
  • 固定资产一次性加速折旧
  • 买断式买入
  • 补充资本金有哪些途径
  • 如何记账固定资产成本
  • 工资的计算方法有几种
  • 如何查企业是否有问题
  • sql语句查询有多少条数据
  • mysql的心得体会
  • Windows如何查看Mac地址
  • 怎么关闭windows登录密码
  • 在Linux系统中安装镜像步骤
  • linux awk '{print $0}'
  • win7系统打不开浏览器
  • zmweb.exe是什么进程
  • iptables 增加
  • win7升级win 10
  • unity 漫反射
  • z-blog SyntaxHighlighter 长代码无法换行解决办法(基于jquery)
  • 制作网页需要
  • js面向对象面试题
  • jquery处理json格式数据
  • js操作对象的方法
  • 对税务领导的批示怎么写
  • 上海税务局电话多少号
  • 个人所得税是哪种税率
  • 金米财税口碑如何?
  • 怎么登陆国税网
  • 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