Node.js爬虫实战 - 爬你喜欢的

前言

今天没有什么前言，就是想分享些关于爬虫的技术，任性。来吧，各位客官，里边请...

开篇第一问：爬虫是什么嘞？

首先咱们说哈，爬虫不是“虫子”，姑凉们不要害怕。

爬虫 - 一种通过一定方式按照一定规则抓取数据的操作或方法。

开篇第二问：爬虫能做什么嘞？

来来来，谈谈需求

产品MM：

1. 爱豆的新电影上架了，整体电影评价如何呢？
2. 暗恋的妹子最近又失恋了，如何在她发微博的时候第一时间知道发了什么，好去呵护呢？
3. 总是在看小说的时候点到广告？总是在看那啥的时候点出来，澳xx场又上线啦？
4. 做个新闻类网站没有数据源咋办？

研发GG：

爬虫随时准备为您服务！

1. 使用爬虫，拉取爱豆视频所有的评价，导入表格，进而分析评价
2. 使用爬虫，加上定时任务，拉取妹子的微博，只要数据有变化，接入短信或邮件服务，第一时间通知
3. 使用爬虫，拉取小说内容或xxx的视频，自己再设计个展示页，perfect！
4. 使用爬虫，定时任务，拉取多个新闻源的新闻，存储到数据库

开篇第三问：爬虫如何实现嘞？

实现爬虫的技术有很多，如python、Node等，今天胡哥给大家分享使用Node做爬虫：爬取小说网站-首页推荐小说

爬取第一步-确定目标

目标网站：https://www.23us.so

目标网站

我们要获取排行榜中六部小说的：书名、封面、以及小说书籍信息对应的地址(后续获取小说完整信息)

爬取第二步-分析目标特点

网页的内容是由HTML生成的，抓取内容就相当找到特定的HTML结构，获取该元素的值。

打开网页调试控制台，查看元素HTML结构。

HTML数据结构

注意观察页面HTML的结构，排行榜推荐的小说的HTML结构是

bdo#s-dd 元素
    dd 子元素 - 每一部小说
        a 目录信息
            img 封面
        a 小说名称

爬取第三步-弄丫的

工具善其事必先利其器，准备好趁手的兵器！

superagent

模拟客户端发送网络请求，可设置请求参数、header头信息

npm install superagent -D

cheerio

类jQuery库，可将字符串导入，创建对象，用于快速抓取字符串中的符合条件的数据

npm install cheerio -D

项目目录：

node-pachong/
  - index.js
  - package.json
  - node_modules/

上代码：

// node-pachong/index.js
/**
 * 使用Node.js做爬虫实战
 * author: justbecoder <justbecoder@aliyun.com>
 */

// 引入需要的工具包
const sp = require('superagent');
const cheerio = require('cheerio');

// 定义请求的URL地址
const BASE_URL = 'http://www.23us.so';

// 1. 发送请求，获取HTML字符串
(async () => {
  let html = await sp.get(BASE_URL);
  
  // 2. 将字符串导入，使用cheerio获取元素
  let $ = cheerio.load(html.text);
  
  // 3. 获取指定的元素
  let books = []
  $('#s_dd dd').each(function () {
    let info = {
      link: $(this).find('a').eq(0).attr('href'),
      name: $(this).find('a').eq(1).text(),
      image: $(this).find('img').attr('src')
    }
    books.push(info)
  })
  console.log(books)
})()

友情提醒：每个网站的HTML结构是不一样，在抓取不同网站的数据时，要分析不同的解构，才能百发百中。

效果图：

打印获取的小说信息

获取到信息之后，做接口数据返回、存储数据库，你想干啥都行...

源码获取

关注胡哥有话说公众号，回复“爬虫”，即可获取源码地址。

后记

以上就是胡哥今天给大家分享的内容，喜欢的小伙伴记得收藏、转发、点击右下角按钮在看，推荐给更多小伙伴呦，欢迎多多留言交流...

胡哥有话说，一个有技术，有情怀的胡哥！京东开放平台首席前端攻城狮。与你一起聊聊大前端，分享前端系统架构，框架实现原理，最新最高效的技术实践！