NodeJs编写小爬虫

  1. 云栖社区>
  2. 博客>
  3. 正文

NodeJs编写小爬虫

soledad_lhc 2016-02-08 19:54:00 浏览972
展开阅读全文


一,爬虫及Robots协议


          爬虫,是一种自动获取网页内容的程序。是搜索引擎的重要组成部分,因此搜索引擎优化很大程度上就是针对爬虫而做出的优化。

    

          robots.txt是一个文本文件,robots是一个协议,而不是一个命令。robots.txt是爬虫要查看的第一个文件。robots.txt文件告诉爬虫在服务器上什么文件是可以被查看的,搜索机器人就会按照该文件中的内容来确定访问的范围。

           

          



     如上图,我们可以在网站中直接访问robots.txt文件查看网站禁止访问和允许访问的文件。


二,使用NodeJs爬去网页需要安装的模块


Express

       Express 是一个基于 Node.js 平台的极简、灵活的 web 应用开发框架,它提供一系列强大的特性,帮助你创建各种 Web 和移动设备应用。

        中文API:http://www.expressjs.com.cn/


Request

       简化了http请求。

       API:https://www.npmjs.com/package/request


Cheerio

        以一种类似JQ的方式处理爬取到的网页。

        API:https://www.npmjs.com/package/cheerio



这三个模块在安装NodeJs 之后,可以使用npm命令进行安装。


三,简单爬取网页示例

var express = require('express');
var app = express();
var request = require('request');
var cheerio = require('cheerio');
app.get('/', function(req, res){
    request('http://blog.csdn.net/lhc1105', function (error, response, body) {
      if (!error && response.statusCode == 200) {
        $ = cheerio.load(body);//当前的$,它是拿到了整个body的前端选择器
      console.log($('.user_name').text()); //我博客的获取用户名
      }else{
         console.log("思密达,没爬取到用户名,再来一次");
      }
})
});
app.listen(3000);

之后,




然后在浏览器中访问:http://localhost:3000/,就能看到输出的用户名。


感觉比python爬取方便点儿,主要是对网页元素解析上,省去了很多正则表达式。


     by the way ,新年快乐~~~







网友评论

登录后评论
0/500
评论
soledad_lhc
+ 关注