在node.js中，有了 cheerio 模块、request 模块，抓取特定URL页面的数据已经非常方便。
一个简单的就如下
var request = require(‘request‘);
var cheerio = require(‘cheerio‘);
request(url,function(err,res){
if(err) return console.log(err);
var $ = cheerio.load(res.body.toString());
//解析页面内容
});
有了基本的流程，现在找个web地址(url)试试。就以博客园的搜索页为例。
通过搜索关键词 node.js
得到如下的URL：
http://zzk.cnblogs.com/s?t=b&w=node.js
点击第二页，URL如下：
http://zzk.cnblogs.com/s?t=b&w=node.js&p=2
分析URL，发现w= ?为要搜索的关键词 p= ?为页码。
借助 request 模块请求URL
var request = require(‘request‘);
var cheerio = require(‘cheerio‘);
var key = ‘node.js‘, page = 1;
var url = ‘http://zzk.cnblogs.com/s?t=b&w=‘+ key +‘&p=‘+ page;
request(url, function(err, res) {
if (err) return console.log(err);
var $ = cheerio.load(res.body.toString());
var arr = [];
//内容解析
});
现在URL有了，分析下URL对应的页面内容。
页面还是很有规律的。
标题 摘要 作者 发布时间 推荐次数 评论条数 浏览次数 文章链接
借助浏览器开发工具
发现 <div class="searchItem">...</div> 对应的是每篇文章
点开每一项，有如下内容
class="searchItemTitle" 包含的是文章标题、也包含了文章URL地址
class="searchItemInfo-userName" 包含的是作者
class="searchItemInfo-publishDate" 包含的是发布时间
class="searchItemInfo-views" 包含的是浏览次数
借助 cheerio 模块解析文章，抓取具体的内容
var request = require(‘request‘);
var cheerio = require(‘cheerio‘);
var key = ‘node.js‘, page = 1;
var url = ‘http://zzk.cnblogs.com/s?t=b&w=‘+ key +‘&p=‘+ page;
request(url, function(err, res) {
if (err) return console.log(err);
var $ = cheerio.load(res.body.toString());
var arr = [];
//内容解析
$(‘.searchItem‘).each(function() {
var title = $(this).find(‘.searchItemTitle‘);
var author = $(this).find(‘.searchItemInfo-userName a‘);
var time = $(this).find(‘.searchItemInfo-publishDate‘);
var view = $(this).find(‘.searchItemInfo-views‘);
var info = {
title: $(title).find(‘a‘).text(),
href: $(title).find(‘a‘).attr(‘href‘),
author: $(author).text(),
time: $(time).text(),
view: $(view).text().replace(/[^0-9]/ig, ‘‘)
};
arr.push(info);
//打印
console.log(‘============================= 输出开始 =============================‘);
console.log(info);
console.log(‘============================= 输出结束 =============================‘);
});
});
可以来运行下，看看是否正常抓取了数据。
现在有数据数据，可以保存到数据库。这里以mysql为例，其实用mongodb更方便。
借助 mysql 模块保存数据（假设数据库名为test，表为blog）。
var request = require(‘request‘);
var cheerio = require(‘cheerio‘);
var mysql = require(‘mysql‘);
var db = mysql.createConnection({
host: ‘127.0.0.1‘,
user: ‘root‘,
password: ‘123456‘,
database: ‘test‘
});
db.connect();
var key = ‘node.js‘, page = 1;
var url = ‘http://zzk.cnblogs.com/s?t=b&w=‘+ key +‘&p=‘+ page;
request(url, function(err, res) {
if (err) return console.log(err);
var $ = cheerio.load(res.body.toString());
var arr = [];
//内容解析
$(‘.searchItem‘).each(function() {
var title = $(this).find(‘.searchItemTitle‘);
var author = $(this).find(‘.searchItemInfo-userName a‘);
var time = $(this).find(‘.searchItemInfo-publishDate‘);
var view = $(this).find(‘.searchItemInfo-views‘);
var info = {
title: $(title).find(‘a‘).text(),
href: $(title).find(‘a‘).attr(‘href‘),
author: $(author).text(),
time: $(time).text(),
view: $(view).text().replace(/[^0-9]/ig, ‘‘)
};
arr.push(info);
//打印
console.log(‘============================= 输出开始 =============================‘);
console.log(info);
console.log(‘============================= 输出结束 =============================‘);
//保存数据
db.query(‘insert into blog set ?‘, info, function(err,result){
if (err) throw err;
if (!!result) {
console.log(‘插入成功‘);
console.log(result.insertId);
} else {
console.log(‘插入失败‘);
}
});
});
});
运行下，看看数据是否保存到数据库了。
现在一个基本的抓取、保存都有了。但是呢 只抓取一次，而且只能抓取关键词为node.js 页码为1的URL页面。
改关键词为javascript，页码为1，清空blog表，再从新运行一次，看看表里是不是能保存javascript相关的数据。
现在去博客园搜索javascript，看看搜索到的结果和表里的内容能否对应。呵呵，不用看啦，肯定能对应啊~~
只能抓取一个页面的内容，肯定不能满足的，能自动抓取其他页的内容就更好了。
分析搜索页面，底部都有页码、下一页。
借助浏览器开发工具查看
我们发现最后一个a标签的内容有Next，表示下一页，看href有p=2，在第二分页p=3, ... 最后一页没有内容有Next的a标签了。
var nextA = $(‘.pager a‘).last(),
nextUrl = ‘‘;
if ($(nextA).text().indexOf(‘Next‘) > -1) {
nextUrl = nextA.attr(‘href‘);
page = nextUrl.slice(nextUrl.indexOf(‘p=‘) + 2);
//todo
} else {
db.end();
console.log(‘没有数据了...‘);
}
这里把程序代码做一点修改，封装成一个函数，完整如下：
var request = require(‘request‘);
var cheerio = require(‘cheerio‘);
var mysql = require(‘mysql‘);
var db = mysql.createConnection({
host: ‘127.0.0.1‘,
user: ‘root‘,
password: ‘123456‘,
database: ‘test‘
});
db.connect();
function fetchData(key, page) {
var url = ‘http://zzk.cnblogs.com/s?t=b&w=‘ + key + ‘&p=‘ + page;
request(url, function(err, res) {
if (err) return console.log(err);
var $ = cheerio.load(res.body.toString());
var arr = [];
//内容解析
$(‘.searchItem‘).each(function() {
var title = $(this).find(‘.searchItemTitle‘);
var author = $(this).find(‘.searchItemInfo-userName a‘);
var time = $(this).find(‘.searchItemInfo-publishDate‘);
var view = $(this).find(‘.searchItemInfo-views‘);
var info = {
title: $(title).find(‘a‘).text(),
href: $(title).find(‘a‘).attr(‘href‘),
author: $(author).text(),
time: $(time).text(),
view: $(view).text().replace(/[^0-9]/ig, ‘‘)
};
arr.push(info);
//打印
console.log(‘============================= 输出开始 =============================‘);
console.log(info);
console.log(‘============================= 输出结束 =============================‘);
//保存数据
db.query(‘insert into blog set ?‘, info, function(err, result) {
if (err) throw err;
if (!!result) {
console.log(‘插入成功‘);
console.log(result.insertId);
} else {
console.log(‘插入失败‘);
}
});
});
//下一页
var nextA = $(‘.pager a‘).last(),
nextUrl = ‘‘;
if ($(nextA).text().indexOf(‘Next‘) > -1) {
nextUrl = nextA.attr(‘href‘);
page = nextUrl.slice(nextUrl.indexOf(‘p=‘) + 2);
setTimeout(function() {
fetchData(key, page);
}, 2000);
} else {
db.end();
console.log(‘没有数据了...‘);
}
});
}
fetchData(‘node.js‘, 1);
运行一下，开始抓数据了... 博客园搜索结果100个分页，每页20条数据，供2000条，程序间隔2秒抓取下一页，抓取一个搜索关键词2000条数据约3分20秒左右。
到此程序实现了抓取、保存数据。
如果是其他URL，需要重新解析页面内容，页面编码不是utf-8编码，需要转码，可以借助 iconv-lite 模块。
数据库有了数据，当然可以读取出来，比如按浏览次数多少排序输出来。
按需求，抓取数据，显示数据，助技术进步。