Node.js实现单页面爬虫

在imooc网上跟着老师写了两个爬虫，一个最简单的直接爬整个页面，一个完善版把章节标题和对应编号打出来了。

看完之后，自己也想写一个爬虫，用自己的博客做测试，虽然结果并没有很成功- -，还是把代码放上来。

目标是抓取章节的标题。

博客页面：

对应标签：

页面源代码：

经过分析，我们应该要抓取class=artHead的<div>，往下还有一个没有类的<div>，然后找到它的<h3>标签下子标签<a>的内容，就是章节的名字。

上代码：

//引入http模块
var http = require(‘http‘);

//确定要抓取的页面 
//debug：本来写了qmkkd.blog.51cto.com，一直出错，在前面加上http就好了。
var url = ‘‘;//这里的url是‘http://qmkkd.blog.51cto.com‘;，博客显示不出来，有毒 
 
//引入cherrio模块，类似服务器端的jquery
var cheerio=require(‘cheerio‘);

function filterChapters(html){

	//将html变成jquery对象
	var $ = cheerio.load(html);

	var artHeads = $(‘.artHead‘);

	var blogData=[];

	artHeads.each(function(item){
		var artHead = $(this);

		//获取文章标题
		var artTitle = artHead.find(‘h3‘).children(‘a‘).text();
		blogData.push(artTitle);
	})
	return blogData;
}

function printBlogInfo(blogData){
	blogData.forEach(function(item){
		var artTitle = item;
		console.log(item+‘\n‘);
	})
}

http.get(url,function(res){

	var buffers=[];
	var nread = 0;

	res.on(‘data‘,function(data){
		buffers.push(data);
		nread+=data.length;
	});

	//网上找到的处理中文乱码问题的方法，但好像没有解决T_T
	//之后还采用了bufferhelper类，好像也不对=-= 
	//应该是基础不好的问题，暂时debug不了，先放着
	res.on(‘end‘,function(){
		var buffer =null;
		switch(buffers.length){
			case 0:buffer=new Buffer(0);
				break;
			case 1:buffer=buffers[0];
				break;
			default:
				buffer = new Buffer(nread);
				for(var i=0,pos=0,l=buffers.length;i<l;i++){
					var chunk = buffers[i];
					chunk.copy(buffer,pos);
					pos+=chunk.length;
				}
				break;
		}
		var html=buffer.toString();

		var blogData = filterChapters(html);
		printBlogInfo(blogData);
	})
}).on(‘error‘,function(){   //执行http请求失败时，返回错误信息
	console.log(‘获取博客数据出错‘);
})