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)

  • 报税显示缺少组件怎么办
  • 印花税资本金项目如何缴纳
  • 企业计提增值税 附加税
  • 个人出售满两年和不满两年的住
  • 企业购进材料入什么账户
  • 年报从业人数可以填一人吗
  • 连锁药店总部的首营资料
  • 合同和发票计量一样吗
  • 合伙企业取得分红如何缴纳个人所得税
  • 残保金超比例奖励
  • 应交税金成负数
  • 船票能开发票吗
  • 帮其他企业推广产品
  • 发票额度变更
  • 关联关系的判定标准
  • 转出未交增值税在借方是什么意思
  • 公司非本单位退休人员发放工资
  • 股东赠与计入资本公积,交税
  • 一般企业财务报表格式2019选是还是否
  • 什么样的企业有核心能力
  • 经营方式变更说明
  • 资产收购的特殊性税务处理方法
  • 固定资产改造更新是否需要计提折旧
  • 全民游戏盒子怎么卸载
  • 对于目标文件系统文件过大无法删除
  • 电信网络网速变快设置
  • windows11关机键怎么设置经典菜单
  • 税务登记后每个月交什么钱
  • 境外代扣代缴企业所得税的计税依据包含企业所得税嘛
  • 资产负债表的编制方法和步骤
  • 胡山森林公园门票多少钱一张
  • 哪个光圈值最大
  • 两个岗位 如何选择
  • 营改增后酒店行业有哪些税种
  • 材料成本差异怎么结转
  • 前端高手进阶
  • afn取消请求
  • php封装函数
  • phptime函数
  • 用人单位招用失业人员补贴
  • 特殊动产的一物数卖履行顺序
  • python getpass模块
  • 会计科目借贷方向图表
  • 未达起征点怎么填申报表
  • 增值税多交了五万怎么办
  • discuz怎么使用
  • 其他业务收入不交增值税吗
  • 合营企业和联营企业是关联方吗
  • 固定资产盘盈影响所有者权益吗
  • 饭馆增值税
  • 房租付了没有及时取得发票怎么入账
  • 异地施工怎么交税
  • 工程预付款入账
  • 公司采购产品赠送给客户会计分录
  • 单位定期存单利息如何记账
  • 给个人的销售返现合法吗
  • 收到了对方的作业怎么办
  • 卖出去的货没有发票怎么给人家解释
  • sqlserver查看磁盘大小
  • 深入浅出意思
  • sql嵌套执行顺序
  • win10和os x el capitan分屏操作对比视频
  • 用u盘怎么装系统win10
  • windows.exe
  • wcu.exe是什么
  • Ubuntu 15.04系统怎么安装Visual Studio Code 2015?
  • 忘记mysql root密码的解决方法
  • pcc是什么文件
  • win10系统如何设置不休眠
  • 优质安卓应用
  • react all in js
  • python 技巧总结
  • python读取linux文件
  • python安装第三方模块
  • JavaScript fontcolor方法入门实例(按照指定的颜色来显示字符串)
  • 上海中考规定
  • 淮安市地税局电话号码
  • 江西税务登记证查询官网
  • 小规模纳税人公司买车能抵多少税
  • 税务税率9个点怎么算
  • 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