摘要：四爬蟲功能制作是來使用的庫，它的使用方法與差不多，我們通過它發(fā)起請(qǐng)求，在回調(diào)函數(shù)中輸出結(jié)果。第一步得到一個(gè)的實(shí)例第二步定義監(jiān)聽事件的回調(diào)函數(shù)。

這篇文章主要介紹了NodeJS制作爬蟲的全過程，包括項(xiàng)目建立，目標(biāo)網(wǎng)站分析、使用superagent獲取源數(shù)據(jù)、使用cheerio解析、使用eventproxy來并發(fā)抓取每個(gè)主題的內(nèi)容等方面，有需要的小伙伴參考下吧。

npm install -g koa-generator

koa2 -e node-spider -e表示使用ejs模板，具體參照koa生成器,一鍵生成koa和koa2項(xiàng)目

如圖，這是CNode首頁一部分div標(biāo)簽，我們就是通過這一系列的id、class來定位我們需要的信息。

是ajax API來使用的Http庫，它的使用方法與jQuery差不多，我們通過它發(fā)起get請(qǐng)求，在回調(diào)函數(shù)中輸出結(jié)果。

  var koa = require("koa");
  var router = require("koa-router")
  var url = require("url"); //解析操作url
  var superagent = require("superagent"); //這三個(gè)外部依賴不要忘記npm install
  var cheerio = require("cheerio");
  var eventproxy = require("eventproxy");
  var targetUrl = "https://cnodejs.org/";
  superagent.get(targetUrl)
    .end(function (err, res) {
        console.log(res);
    });

它的res結(jié)果為一個(gè)包含目標(biāo)url信息的對(duì)象，網(wǎng)站內(nèi)容主要在其text(string)里。

cheerio充當(dāng)服務(wù)器端的jQuery功能，我們先使用它的.load()來載入HTML，再通過CSS selector來篩選元素。

  var $ = cheerio.load(res.text);
  //通過CSS selector來篩選數(shù)據(jù)
  $("#topic_list .topic_title").each(function (idx, element) {
      console.log(element);
  });

其結(jié)果為一個(gè)個(gè)對(duì)象，調(diào)用 .each(function(index, element))函數(shù)來遍歷每一個(gè)對(duì)象，返回的是HTML DOM Elements。

輸出 console.log($element.attr("title"));的結(jié)果為
廣州2014年12月06日 NodeParty 之 UC 場(chǎng)之類的標(biāo)題
輸出 console.log($element.attr("href"));的結(jié)果為
/topic/545c395becbcb78265856eb2之類的url。
再用NodeJS1的url.resolve()函數(shù)來補(bǔ)全完整的url。

superagent.get(tUrl)
    .end(function (err, res) {
        if (err) {
            return console.error(err);
        }
        var topicUrls = [];
        var $ = cheerio.load(res.text);
        // 獲取首頁所有的鏈接
        $("#topic_list .topic_title").each(function (idx, element) {
            var $element = $(element);
            var href = url.resolve(tUrl, $element.attr("href"));
            console.log(href);
            //topicUrls.push(href);
        });
    });

教程上展示了深度嵌套(串行)方法和計(jì)數(shù)器方法的例子，eventproxy就是使用事件(并行)方法來解決這個(gè)問題。當(dāng)所有的抓取完成后，eventproxy接收到事件消息自動(dòng)幫你調(diào)用處理函數(shù)。

  //第一步：得到一個(gè) eventproxy 的實(shí)例
  var ep = new eventproxy();
  //第二步：定義監(jiān)聽事件的回調(diào)函數(shù)。
  //after方法為重復(fù)監(jiān)聽
  //params: eventname(String) 事件名,times(Number) 監(jiān)聽次數(shù), callback 回調(diào)函數(shù)
  ep.after("topic_html", topicUrls.length, function(topics){
      // topics 是個(gè)數(shù)組，包含了 40 次 ep.emit("topic_html", pair) 中的那 40 個(gè) pair
      //.map
      topics = topics.map(function(topicPair){
          //use cheerio
          var topicUrl = topicPair[0];
          var topicHtml = topicPair[1];
          var $ = cheerio.load(topicHtml);
          return ({
              title: $(".topic_full_title").text().trim(),
              href: topicUrl,
              comment1: $(".reply_content").eq(0).text().trim()
          });
      });
      //outcome
      console.log("outcome:");
      console.log(topics);
  });
  //第三步：確定放出事件消息的
  topicUrls.forEach(function (topicUrl) {
      superagent.get(topicUrl)
          .end(function (err, res) {
              console.log("fetch " + topicUrl + " successful");
              ep.emit("topic_html", [topicUrl, res.text]);
          });
  });

結(jié)果如下

獲取留言用戶名和積分

在文章頁面的源碼找到評(píng)論的用戶class名，classname為reply_author。console.log第一個(gè)元素 $(".reply_author").get(0)可以看到，我們需要獲取東西都在這里頭。

首先，我們先對(duì)一篇文章進(jìn)行抓取，一次性把需要的都得到即可。

  var userHref = url.resolve(tUrl, $(".reply_author").get(0).attribs.href);
  console.log(userHref);
  console.log($(".reply_author").get(0).children[0].data);

我們可以通過https://cnodejs.org/user/username抓取積分信息

$(".reply_author").each(function (idx, element) {
var $element = $(element);
console.log($element.attr("href"));
});

在用戶信息頁面 $(".big").text().trim()即為積分信息。
使用cheerio的函數(shù).get(0)為獲取第一個(gè)元素。

var userHref = url.resolve(tUrl, $(".reply_author").get(0).attribs.href);
console.log(userHref);