你不知道的 node 爬虫原来这么简单

作者：CarsonXu 原文地址：https://juejin.im/post/5eca37f951882543345e81df

前言

今天给大家带来的是node简单爬虫，对于前端小白也是非常好理解且会非常有成就感的小技能

爬虫的思路可以总结为：请求 url - > html（信息） -> 解析html

这篇文章呢，就带大家爬取豆瓣TOP250电影的信息

工具

爬虫必备工具：cheeriocheerio 简单介绍：cheerio 是 jquery 核心功能的一个快速灵活而又简洁的实现，主要是为了用在服务器端需要对 DOM 进行操作的地方。大家可以简单的理解为用来解析 html 非常方便的工具。使用之前只需要在终端安装即可 npm install cheerio

node爬虫步骤解析

一、选取网页url，使用http协议get到网页数据

豆瓣TOP250链接地址：https://movie.douban.com/top250

首先我们请求http协议，通过http来拿到网页的所有数据

const https = require('https');
https.get('https://movie.douban.com/top250',function(res){
    // 分段返回的 自己拼接
    let html = '';
    // 有数据产生的时候 拼接
    res.on('data',function(chunk){
        html += chunk;
    })
    // 拼接完成
    res.on('end',function(){
        console.log(html);
    })
})

上面代码呢，大家一定要注意我们请求数据时，拿到的数据是分段拿到的,我们需要通过自己把数据拼接起来

res.on('data',function(chunk){
        html += chunk;
    })

拼接完成时我们可以输出一下，看一下我们是否拿到了完整数据

res.on('end',function(){
        console.log(html);
    })

二、使用cheerio工具解析需要的内容

const cheerio = require('cheerio');
res.on('end',function(){
        console.log(html);
        const $ = cheerio.load(html);
        let allFilms = [];
        $('li .item').each(function(){
            // this 循环时 指向当前这个电影
            // 当前这个电影下面的title
            // 相当于this.querySelector 
            const title = $('.title', this).text();
            const star = $('.rating_num',this).text();
            const pic = $('.pic img',this).attr('src');
            // console.log(title,star,pic);
            // 存 数据库
            // 没有数据库存成一个json文件 fs
            allFilms.push({
                title,star,pic
            })
        })

可以通过检查网页源代码查看需要的内容在哪个标签下面，然后通过$符号来拿到需要的内容，这里我就拿了电影的名字、评分、电影图片

到了这时候，你会发现，node 爬虫实现是非常简单的，我们只需要认真分析一下我们拿到的 html 数据，将需要的内容拿出来保存在本地就基本完成了

保存数据

下面就是保存数据了，我将数据保存在 films.json 文件中将数据保存到文件中，我们引入一个fs模块，将数据写入文件中去

const fs = require('fs');
fs.writeFile('./films.json', JSON.stringify(allFilms),function(err){
            if(!err){
                console.log('文件写入完毕');
            }
        })

文件写入代码需要写在 res.on('end') 里面，数据读完->写入写入完成，可以查看一下 films.json，里面是有爬取的数据的。

下载图片

我们爬取的图片数据是图片地址，如果我们要将图片保存到本地呢？这时候只需要跟前面请求网页数据一样，把图片地址url请求回来，每一张图片写入到本地即可

源码

// 请求 url - > html（信息）  -> 解析html
const https = require('https');
const cheerio = require('cheerio');
const fs = require('fs');
// 请求 top250
// 浏览器输入一个 url, get
https.get('https://movie.douban.com/top250',function(res){
    // console.log(res);
    // 分段返回的 自己拼接
    let html = '';
    // 有数据产生的时候 拼接
    res.on('data',function(chunk){
        html += chunk;
    })
    // 拼接完成
    res.on('end',function(){
        console.log(html);
        const $ = cheerio.load(html);
        let allFilms = [];
        $('li .item').each(function(){
            // this 循环时 指向当前这个电影
            // 当前这个电影下面的title
            // 相当于this.querySelector 
            const title = $('.title', this).text();
            const star = $('.rating_num',this).text();
            const pic = $('.pic img',this).attr('src');
            // console.log(title,star,pic);
            // 存 数据库
            // 没有数据库存成一个json文件 fs
            allFilms.push({
                title,star,pic
            })
        })
        // 把数组写入json里面
        fs.writeFile('./films.json', JSON.stringify(allFilms),function(err){
            if(!err){
                console.log('文件写入完毕');
            }
        })
        // 图片下载一下
        downloadImage(allFilms);
    })
})

function downloadImage(allFilms) {
    for(let i=0; i<allFilms.length; i++){
        const picUrl = allFilms[i].pic;
        // 请求 -> 拿到内容
        // fs.writeFile('./xx.png','内容')
        https.get(picUrl,function(res){
            res.setEncoding('binary');
            let str = '';
            res.on('data',function(chunk){
                str += chunk;
            })
            res.on('end',function(){
                fs.writeFile(`./images/${i}.png`,str,'binary',function(err){
                    if(!err){
                        console.log(`第${i}张图片下载成功`);
                    }
                })
            })
        })
    }
}

总结

爬虫不是只有 python 才行的，我们 node 也很方便简单，前端新手掌握一个小技能也是非常不错的，对自身的 node 学习有很大的帮助，本文的爬虫技巧只是入门，感兴趣小伙伴可以继续探究。