Node.js爬蟲實(shí)戰(zhàn) - 爬你喜歡的

前言

今天沒有什么前言，就是想分享些關(guān)于爬蟲的技術(shù)，任性。來吧，各位客官，里邊請...

開篇第一問：爬蟲是什么嘞？

首先咱們說哈，爬蟲不是“蟲子”，姑涼們不要害怕。

爬蟲 - 一種通過一定方式按照一定規(guī)則抓取數(shù)據(jù)的操作或方法。

開篇第二問：爬蟲能做什么嘞？

來來來，談?wù)勑枨?/p>

產(chǎn)品MM：

1. 愛豆的新電影上架了，整體電影評價如何呢？
2. 暗戀的妹子最近又失戀了，如何在她發(fā)微博的時候第一時間知道發(fā)了什么，好去呵護(hù)呢？
3. 總是在看小說的時候點(diǎn)到廣告？總是在看那啥的時候點(diǎn)出來，澳xx場又上線啦？
4. 做個新聞類網(wǎng)站沒有數(shù)據(jù)源咋辦？

研發(fā)GG：

爬蟲隨時準(zhǔn)備為您服務(wù)！

1. 使用爬蟲，拉取愛豆視頻所有的評價，導(dǎo)入表格，進(jìn)而分析評價
2. 使用爬蟲，加上定時任務(wù)，拉取妹子的微博，只要數(shù)據(jù)有變化，接入短信或郵件服務(wù)，第一時間通知
3. 使用爬蟲，拉取小說內(nèi)容或xxx的視頻，自己再設(shè)計個展示頁，perfect！
4. 使用爬蟲，定時任務(wù)，拉取多個新聞源的新聞，存儲到數(shù)據(jù)庫

開篇第三問：爬蟲如何實(shí)現(xiàn)嘞？

實(shí)現(xiàn)爬蟲的技術(shù)有很多，如python、Node等，今天胡哥給大家分享使用Node做爬蟲：爬取小說網(wǎng)站-首頁推薦小說

爬取第一步-確定目標(biāo)

目標(biāo)網(wǎng)站：https://www.23us.so

我們要獲取排行榜中六部小說的：書名、封面、以及小說書籍信息對應(yīng)的地址(后續(xù)獲取小說完整信息)

爬取第二步-分析目標(biāo)特點(diǎn)

網(wǎng)頁的內(nèi)容是由HTML生成的，抓取內(nèi)容就相當(dāng)找到特定的HTML結(jié)構(gòu)，獲取該元素的值。

打開網(wǎng)頁調(diào)試控制臺，查看元素HTML結(jié)構(gòu)。

注意觀察頁面HTML的結(jié)構(gòu)，排行榜推薦的小說的HTML結(jié)構(gòu)是

bdo#s-dd 元素
    dd 子元素 - 每一部小說
        a 目錄信息
            img 封面
        a 小說名稱

爬取第三步-弄丫的

工具善其事必先利其器，準(zhǔn)備好趁手的兵器！

superagent

模擬客戶端發(fā)送網(wǎng)絡(luò)請求，可設(shè)置請求參數(shù)、header頭信息

npm install superagent -D

cheerio

類jQuery庫，可將字符串導(dǎo)入，創(chuàng)建對象，用于快速抓取字符串中的符合條件的數(shù)據(jù)

npm install cheerio -D

項(xiàng)目目錄：

node-pachong/
  - index.js
  - package.json
  - node_modules/

上代碼：

// node-pachong/index.js
/**
 * 使用Node.js做爬蟲實(shí)戰(zhàn)
 * author: justbecoder <justbecoder@aliyun.com>
 */

// 引入需要的工具包
const sp = require('superagent');
const cheerio = require('cheerio');

// 定義請求的URL地址
const BASE_URL = 'http://www.23us.so';

// 1. 發(fā)送請求，獲取HTML字符串
(async () => {
  let html = await sp.get(BASE_URL);

  // 2. 將字符串導(dǎo)入，使用cheerio獲取元素
  let $ = cheerio.load(html.text);

  // 3. 獲取指定的元素
  let books = []
  $('#s_dd dd').each(function () {
    let info = {
      link: $(this).find('a').eq(0).attr('href'),
      name: $(this).find('a').eq(1).text(),
      image: $(this).find('img').attr('src')
    }
    books.push(info)
  })
  console.log(books)
})()

友情提醒：每個網(wǎng)站的HTML結(jié)構(gòu)是不一樣，在抓取不同網(wǎng)站的數(shù)據(jù)時，要分析不同的解構(gòu)，才能百發(fā)百中。

效果圖：

獲取到信息之后，做接口數(shù)據(jù)返回、存儲數(shù)據(jù)庫，你想干啥都行...

源碼獲取

關(guān)注胡哥有話說公眾號，回復(fù)“爬蟲”，即可獲取源碼地址。

后記

以上就是胡哥今天給大家分享的內(nèi)容，喜歡的小伙伴記得收藏、轉(zhuǎn)發(fā)、點(diǎn)擊右下角按鈕在看，推薦給更多小伙伴呦，歡迎多多留言交流...

胡哥有話說，一個有技術(shù)，有情懷的胡哥！京東開放平臺首席前端攻城獅。與你一起聊聊大前端，分享前端系統(tǒng)架構(gòu)，框架實(shí)現(xiàn)原理，最新最高效的技術(shù)實(shí)踐！

長按掃碼關(guān)注，更帥更漂亮呦！關(guān)注胡哥有話說公眾號，可與胡哥繼續(xù)深入交流呦！