Nodejs书写爬虫工具

看了几天的nodejs，的确是好用，全当是练手了，就写了一个爬虫工具。

爬虫思路都是一致的，先抓取页面数据，然后分析页面，获取到所需要的数据，最后获得这些数据，是写入到硬盘，还是显示到网页，自己看着办。

其中最难的是分析页面，如果不用其他工具，那就只能用正则表达式来分析了。这里采用cheerio这个模块，这个很好用，不要有抵触心理（因为刚开始我比较抵触这个，想不用任何别的东西，结果自己搞崩了，还是用了它）。cheerio网上介绍很多，它可以根据div，根据class ，href等html标签，获取里面的数据。

这次是抓的本人博客首页( http://www.cnblogs.com/juepei/ )的文章标题，希望站长别生气，实地演练么。

先说下如何得到这个页面下的数据。

代码如下，简单的一比（不过nodejs写出来的东西本来就很简洁）：

  request(url,function(error,res,body){
                if(!error && res.statusCode == 200){
                     console.log(body);
                }
        });
    

body就是数据了，

然后开始分析下数据。

查看首页文章部分代码，如下：

<div class="day">
    <div class="dayTitle">
        <a id="homepage1_HomePageDays_DaysList_ctl00_ImageLink" href="http://www.cnblogs.com/juepei/archive/2015/01/09.html">2015年1月9日</a>
    </div>

            <div class="postTitle">
                <a id="homepage1_HomePageDays_DaysList_ctl00_DayList_TitleUrl_0" class="postTitle2" href="http://www.cnblogs.com/juepei/p/4212595.html">git常用命令</a>
            </div>
            <div class="postCon"><div class="c_b_p_desc">摘要: （1）git branch 查看本地分支（2）git branch -a 查看远程分支（3）git checkout branchname 切换分支　（4）git add　yourfile （5）git commit -a -m &quot;描述&quot; 提交你当前开发到暂存区，可以理解为你本...<a href="http://www.cnblogs.com/juepei/p/4212595.html" class="c_b_p_desc_readmore">阅读全文</a></div></div>
            <div class="clear"></div>
            <div class="postDesc">posted @ 2015-01-09 10:06 薛定谔的猫_ 阅读(4) 评论(0)  <a href ="http://i.cnblogs.com/EditPosts.aspx?postid=4212595" rel="nofollow">编辑</a></div>
            <div class="clear"></div>

</div>
.....

很多文章么，都是上面那些东西的循环。

我想要的东西在这里：

<div class="postTitle">
                <a id="..." class="postTitle2" href="http://www.cnblogs.com/juepei/p/4212595.html">git常用命令</a>
            </div>

它在<div class=‘postTitle‘>里面包着。要取出它，这时候cheerio就大显身手了，此处建议看下cheerio的api。

代码如下：

 var $=cheerio.load(body);
$(‘div‘).filter(function(i,e){
                                if($(this).attr(‘class‘)===‘postTitle‘){
                                        console.log($(this).text().trim());
                                }
                        });

这里用div来定位，这样就可以获取到数据了。代码就这么简单。

之后可以随意处置拿到的数据了，我这里是存到了本地的文本文档中。中间用数组转存了一下数据

全部代码如下：

var fs=require(‘fs‘);
var buffer=require(‘buffer‘);

var url=‘http://www.cnblogs.com/juepei/‘;
var result=new Array();
function getDatas(){
        request(url,function(error,res,body){
                if(!error && res.statusCode == 200){
                        var $=cheerio.load(body);
                        var j=0;
                        $(‘div‘).filter(function(i,e){
                                if($(this).attr(‘class‘)===‘postTitle‘){
                                        j++;
                                        //console.log($(this).text().trim());
                                        result.push($(this).text().trim());
                                }
                        });
                        console.log(result.toString());
                        fs.appendFile(‘/home/wang/data.txt‘,result.toString(),function(err){
                                if(err){
                                        console.log(‘file:‘+err);
                                }else{
                                        console.log(‘write ok‘);
                                }
                        });
                }
                else{
                        console.log(error);
                }
        });
}

getDatas();

运行一下这段代码，/home/wang目录下就有data.txt生成了，网页编码是utf8的，系统环境也是utf8,所以没有乱码的产生，如果是其他系统，编码不一样，处理下编码。

至此，大功告成。ps：本人也学习了几天nodejs，刚开始比较纠结，找不到好资料，感觉举步为艰。希望大家多看api，这个才是正路。