安装：
window下的安装，node.js直接上官网下载：https://nodejs.org/en/
选择LTS，也就是版本号比较低的稳定版，下载下来后运行下载的文件进行安装；
通过win+R打开cmd命令行：执行以下命令安装淘宝镜像：
$ npm install -g cnpm --registry=https://registry.npm.taobao.org
学习express框架：
全局安装express:
cnpm install express -g
建立新文件夹sesson1并进入sesson1:
mkdir sesson1 && cd sesson1
使用npm生成package.json文件：(加-y 可以免去确认)
npm init -y
安装utility：
cnpm install utility --save
新建app.js文件，复制以下内容：
var express = require(‘express‘) //引入express模块并赋给变量express
var utility = require(‘utility‘) //引入utility库
var app = express() //加括号表示将express实例化，并赋给变量app
//app.get是express实例的一个方法，常用方法：get、post、put/patch、delete；
//第一个参数是路径，第二个参数是一个回调函数，函数会接收到两个对象，分别是 request 和 response，简写成：req 和 res;
// req 中包含了浏览器传来的各种信息，query，body，headers等都可以通过 req 对象访问。
// res 对象，一般通过它向浏览器输出信息。
app.get(‘/‘,function(rep,res){var q = req.query.q
var md5Value = utility.md5(q)
res.send(md5Value)
}).listen(3000,function(rep,res){
console.log(‘app is running at port 3000‘)
})
cmd执行app.js:
node app.js
浏览器输入：http://locallhost:3000/?q=Hello World ，出现Hello World字符串转md5的值 : 0a4d55a8d778e5022fab701977c5d840bbc486d0
简单爬虫的实现：
mkdir lesson2 && cd lesson2
npm init -y
cnpm install cheerio --save-dev
cnpm intsall bluebird --save
新建app.js文件，复制以下内容：
var http = require(‘http‘)
var express = require(‘express‘)
var cheerio = require(‘cheerio‘)
var Promise = require(‘bluebird‘)
var app = express()
var fetchCourseArray = [],pageArray =[]
function getPageAsync(url){
return new Promise(function(resolve,reject){
console.log(‘正在爬取...‘+url)
http.get(url,function(res){
var html = ‘‘
res.on(‘data‘,function(data){
html += data
})
res.on(‘end‘,function(){
resolve(html)
})
}).on(‘error‘,function(){
reject(e)
console.log(‘任何时候，都不是代码的错!‘)
})
})
}
pageArray.push(‘http://coderschool.cn/1853.html‘)
pageArray.forEach(function(value,index){
fetchCourseArray.push(getPageAsync(pageArray[index]))
})
Promise
.all(fetchCourseArray)
.then(function(pagesArr){
pagesArr.forEach(function(html){
var $ = cheerio.load(html)
var a = $(‘.post-1853 p a‘)
itemArr = []
a.each(function(){
itemArr.push({
title:$(this).text(),
href:$(this).attr(‘href‘)
})
})
itemArr.forEach(function(item){
console.log(item.title +‘: ‘+item.href)
})
})
})
app.get(‘/‘, function(req,res){
res.send(itemArr)
}).listen(3000,function(){
console.log(‘app is listening at port 3000‘)
})
cmd执行：
node app.js
页面输出itemArr数组，cmd命令行打印爬取页面的指定内容。
爬虫并发抓取：
var cheerio = require(‘cheerio‘)
var eventproxy = require(‘eventproxy‘)
var superagent = require(‘superagent‘)
var url = require(‘url‘)
var cnodeUrl = ‘https://cnodejs.org/‘
superagent.get(cnodeUrl)
.end(function(err, res) {
if (err) {
return console.error(err)
}
topicUrls = []
var $ = cheerio.load(res.text)
$(‘#topic_list .topic_title‘).each(function(idx, element){
var $element = $(element)
var href = url.resolve(cnodeUrl,$element.attr(‘href‘))
topicUrls.push(href)
})
var ep = new eventproxy()
ep.after(‘topic_html‘,topicUrls.length,function(topics){
topics = topics.map(function(topicPair){
var topicUrl = topicPair.topicUrl
var topicHtml = topicPair.text
var $ = cheerio.load(topicHtml)
return ({
title: $(‘.topic_full_title‘).text().trim(),
href: topicUrl,
comment1: $(‘.reply_content‘).eq(0).text().trim(),
author1:$(‘.user_name a‘).text().trim(),
score1:$(‘.floor .big‘).text().trim()
})
})
console.log(‘final:‘)
console.log(topics)
})
topicUrls.forEach(function(topicUrl){
superagent.get(topicUrl)
.end(function(err,res){
console.log(‘fetch ‘ + topicUrl + ‘ successful‘)
ep.emit(‘topic_html‘,{topicUrl: topicUrl, text: res.text})
})
})
})
cmd执行：
node app.js
cmd命令行打印并发爬取多个页面的指定内容。
控制爬虫并发数量：
var cheerio = require(‘cheerio‘)
var superagent = require(‘superagent‘)
var url = require(‘url‘)
var async = require(‘async‘)
var cnodeUrl = ‘https://cnodejs.org/‘
superagent.get(cnodeUrl)
.end(function(err, res) {
if (err) {
return console.error(err)
}
var topicUrls = []
var $ = cheerio.load(res.text)
$(‘#topic_list .topic_title‘).each(function(idx, element){
var $element = $(element)
var href = url.resolve(cnodeUrl,$element.attr(‘href‘))
topicUrls.push(href)
})
var concurrencyCount = 0
var itemArr = []
var fetchUrl = function(topicUrl, callback){
var delay = parseInt((Math.random() * 10000000) % 2000, 10)
concurrencyCount ++
console.log(‘并发数：‘+ concurrencyCount,‘正在抓取：‘,topicUrl,‘耗时：‘+delay + ‘ms‘)
superagent.get(topicUrl)
.end(function(err,res){
var $ = cheerio.load(res.text)
var topics = {
title: $(‘.topic_full_title‘).text().trim(),
href: topicUrl,
comment1: $(‘.reply_content‘).eq(0).text().trim(),
author1:$(‘.user_name a‘).text().trim(),
score1:$(‘.floor .big‘).text().trim()
}
itemArr.push(topics)
})
setTimeout(function(){
concurrencyCount --
callback(null,topicUrl + ‘html content‘)
},delay)
}
async.mapLimit(topicUrls,5,
function(topicUrl, callback){
fetchUrl(topicUrl, callback)
},
function(err, result){
console.log(‘final:‘)
console.log(result)
console.log(itemArr)
})
})
cmd执行：
node app1.js
cmd命令行打印爬取指定并发数的多个页面的指定内容。
非教程，只是自己学习的记录，当然也希望可以帮到您。
参考资料：
时间： 2024-08-05 17:18:04