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)

  • 个税系统更正申报可以更正几次
  • 车票增值税抵扣如何申报
  • 库存商品余额在借方
  • 个体工商户个税怎么申报
  • 水果销售公司简介
  • 辞退员工赔偿计算公式
  • 企业进项发票不够销项开的多
  • 铸造厂的销售废料有哪些
  • 盈余公积补亏账务处理分录
  • 核定和查账区别
  • 费用发票已报销怎么入账
  • 附加税减免税会计处理怎么做?
  • 房地产企业简易计税
  • 医院业务支出包括哪些内容科目
  • 月工资3000元,工伤7级能赔偿多少钱
  • 总公司与分公司的账务处理销售
  • 进项税额转出期限是多久
  • 万份收益是什么意思0.6
  • 1697509966
  • 工会经费的开支必须取得发票么
  • 多交的附加税怎么做账
  • 辞职的补偿金怎么做账
  • 如何更改windows11显示语言
  • 增值税出口退税为什么不属于政府补助
  • 0xc000007b应用程序无法正常启动win11
  • typecho 插件开发
  • win10下载软件被阻止安装怎么办
  • threejs环境搭建
  • 房地产企业预缴增值税如何申报
  • 销售退回会计处理与税务处理
  • 享受小型微利企业税收优惠的条件
  • 古罗马广场意大利
  • JavaScript includes() 方法
  • 生产成本结转怎么登账
  • 黄金零售环节增值税的缴纳
  • 售后租回交易的第二年利息怎么算
  • 合同发票收款付款管理系统源码
  • 租房押金会计分录是什么
  • 国税里货币资金怎么算
  • 公司印章样子
  • 工伤报销计入什么科目
  • 财务专用章是干嘛用的
  • 汽车折旧会计凭证怎么做
  • 开经销商公司要多少钱
  • 其他应付款能否直接做实收资本的账务处理
  • 债务人对债权人享有
  • 没有计提社保如何处理
  • 制造企业费用会计
  • 未开票州
  • 股东利润分配预缴税款
  • 专用发票给客户的都要盖章吗
  • 报关单新版
  • 安装sql server 2008硬件要求
  • 如何优化sql语句执行效率
  • solaris重启服务器命令
  • Linux x86_64下安装Flash Player 9
  • 电脑被攻击了怎么修复
  • ubuntu photoshop
  • gzip压缩慢
  • windows7如何设置电脑不待机
  • WIN10系统CPU占用率高
  • incredr
  • win8 boot manager
  • win10怎么安装pscs6
  • 什么是四个菜
  • WIN10安装教程
  • cocos怎么用
  • 如何做批处理命令
  • node.js搭建服务器
  • python列表讲解
  • python ip地址转换
  • node 多线程
  • shell bash sh
  • app开发指南
  • 北京顶点b128怎么样
  • 我国税务师事务所有哪些
  • 驻马店燃气投诉电话号码
  • 延安市地方税务局电话
  • 税票电话号码变更影响抵扣吗
  • 广东省税务局网络不通
  • 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