[分享] 用NodeJs做一个小爬虫,附源码！

前言

利用爬虫可以做很多事情，单身汉子们可以用爬虫来收集各种妹子情报，撩妹族们可以用爬虫收集妹子想要的小东西，赚大钱的人可以用来分析微博言论与股票涨跌的关系诸如此类的，简直要上天了。
你们感受一下 点我点我：

蠢蠢欲动

抛开机器学习这种貌似很高大上的数据处理技术，单纯的做一个爬虫获取数据还是非常简单的。对于前段er们来说，生在有nodejs的年代真是不要太幸福了，下面就用nodejs来做一个爬虫吧。

这次我们先拿CSDN来练练手，爬妹子什么的，其实大同小异。要实现的功能就是爬取前端板块的博文，输出作者的信息。

首先是工具的准备，nodejs当然是必须要装好的，我这里用的是目前最新版的6.2.0版本。另外由于我们需要通过各种http请求去爬取内容，所以一个好用的http调试工具也是必需的，这里我推荐是用postman。

搭建环境

根据爬虫需要的功能确定我们要使用的第三方库：

后端服务： express
发出http请求： superagent
控制并发请求：async + eventproxy
分析网页内容：cheerio
相关库的 API 请到对应的 GitHub 项目页上去了解，这里我就不再赘述了，对应的 package.json ：

{
"name": "spider",
"version": "0.0.0",
"description": "learn nodejs on github",
"scripts": {
"start": "node app.js"
},
"dependencies": {
"async": "^2.0.0-rc.6",
"cheerio": "^0.20.0",
"eventproxy": "^0.3.4",
"express": "^4.9.5",
"superagent": "^2.0.0"
},
}

　　

写好的 package 记得安装下，这样我们就搭好了开发环境。

爬虫主体

下面按照爬虫需要的功能来一步步写爬虫主体。

后台服务部分

实现的功能是接收前端请求启动爬虫，完成信息爬取之后将信息返回给前端。后台服务部分我这里使用了 express 框架，这里比较简单也可以使用原生的 http 模块。简单框架如下：

var express = require('express');
var app = express();
app.get('/', function (req, res, next) {
// your code here
});
app.listen(3000, function (req, res) {
console.log('app is running at port 3000');
});

　　

在 get 处理中插入我们的响应代码，包括启动爬虫，结果信息输出等。

文章链接的爬取

这里我们用到的是 superagent 这个库来实现，此库作者是个多产大神，我们这里用到的库基本都是他写的，颤抖吧、少年们！

superagent.get(Url).end(function (err, res) {
if (err) { return next(err); }
// your code here
});

　　

Url 为我们请求的地址，使用 get 的方式请求，其实效果跟你用浏览器打开 Url 的效果是一样的，返回来的数据都放在 res 中，对 res 分析就可以得到我们想要的数据了。

数据的处理

这里我们用到的是 cheerio 这个库，他可以让我们以 jQuery 的方式操作返回的数据，实在太贴心了。

// 提取作者博客链接，注意去重
var $ = cheerio.load(sres.text);
$('.blog_list').each(function (i, e) {
var u = $('.user_name', e).attr('href');
if (authorUrls.indexOf(u) === -1) {
authorUrls.push(u);
}
});

　　

是不是很熟悉的感觉？ 完全就是 jQuery 的语法呀。

文章作者信息的爬取

这里我们要进入作者主页去爬取相应的消息，跟上一步爬取链接是一样的。

superagent.get(authorUrl)
.end(function (err, ssres) {
if (err) { callback(err, authorUrl + ' error happened!'); }
var $ = cheerio.load(ssres.text);
var result = {
userId: url.parse(myurl).pathname.substring(1),
blogTitle: $("#blog_title a").text(),
visitCount: parseInt($('#blog_rank>li').eq(0).text().split(/[:：]/)[1]),
score: parseInt($('#blog_rank>li').eq(1).text().split(/[:：]/)[1]),
oriCount: parseInt($('#blog_statistics>li').eq(0).text().split(/[:：]/)[1]),
copyCount: parseInt($('#blog_statistics>li').eq(1).text().split(/[:：]/)[1]),
trsCount: parseInt($('#blog_statistics>li').eq(2).text().split(/[:：]/)[1]),
cmtCount: parseInt($('#blog_statistics>li').eq(3).text().split(/[:：]/)[1])
};
callback(null, result);
});

　　

这里我们是用 callback 返回结果的。

并发的控制

因为我们的请求都是异步的，所以需要执行成功的回调函数中执行下一步操作，在多并发的情况下，就需要一个计数器来判断是否所有并发均已成功执行完。这里用到的是 eventproxy 这个库来替我们管理并发结果。

CSDN上web前端有3页，所以我们要执行 3 次爬取文章链接，用 eventproxy 的写法就是：

var baseUrl = 'http://blog.csdn.net/web/index.html';
var pageUrls = [];
for (var _i = 1; _i < 4; _i++) {
pageUrls.push(baseUrl + '?&page=' + _i);
}
ep.after('get_topic_html', pageUrls.length, function (eps) {
// 文章链接都已经爬取完了
});
pageUrls.forEach(function (page) {
superagent.get(page).end(function (err, sres) {
// 文章链接的爬取
ep.emit('get_topic_html', 'get authorUrls successful');
});
});

　　

简单来说，就是会检测 'get_topic_html' 的emit事件，发生指定次数之后就调用 ep.after 函数。

并发请求数控制

本来呢，到这里就完了，但是我们爬取作者信息时都是用异步操作的，所以同时可能会有几十甚至几百个请求同时发送给目标网站。出于安全角度考虑，目标网站可能会拒绝我们的请求，所以我们要控制并发数量，这里我们用的是 async 这个库来实现。

// 控制最大并发数为5，在结果中取出callback返回来的整个结果数组。
async.mapLimit(authorUrls, 5, function (myurl, callback) {
// 请求作者信息
}, function (err, result) {
console.log('=========== result: ===========
', result);
res.send(result);
});

　　

这里 authorUrls 是我们前一步爬取好的作者链接数组，async 会根据数组长度依次执行。之前在作者信息爬取部分我们使用了回调函数返回数据，这个也是async 提供的接口。最终数组中所有元素都被执行了一遍之后，就会将 callback 返回的数据放入 result 数组中，将这个数组返回给前端即可。

效果

通过 node app.js 执行后台程序，在 postman 中输入 http://localhost:3000 查看结果：

可以看到在返回中的body中已经将我们需要的数据返回来了。
至此，我们的小爬虫就完成了，是不是很简单呢？

完整的代码

/***
* Created by justeptech on 2016/7/11.
*/

var cheerio = require('cheerio');
var superagent = require('superagent');
var async = require('async');
var url = require('url');

var express = require('express');
var app = express();

var eventproxy = require('eventproxy');
var ep = eventproxy();

var baseUrl = 'http://blog.csdn.net/web/index.html';
var pageUrls = [];
for (var _i = 1; _i < 4; _i++) {
pageUrls.push(baseUrl + '?&page=' + _i);
}

app.get('/', function (req, res, next) {
var authorUrls = [];
// 命令 ep 重复监听 emit事件(get_topic_html) 3 次再行动
ep.after('get_topic_html', pageUrls.length, function (eps) {
var concurrencyCount = 0;
// 利用callback函数将结果返回去，然后在结果中取出整个结果数组。
var fetchUrl = function (myurl, callback) {
var fetchStart = new Date().getTime();
concurrencyCount++;
console.log('现在的并发数是', concurrencyCount, '，正在抓取的是', myurl);
superagent.get(myurl)
.end(function (err, ssres) {
if (err) {
callback(err, myurl + ' error happened!');
}

var time = new Date().getTime() - fetchStart;
console.log('抓取 ' + myurl + ' 成功', '，耗时' + time + '毫秒');
concurrencyCount--;

var $ = cheerio.load(ssres.text);
var result = {
userId: url.parse(myurl).pathname.substring(1),
blogTitle: $("#blog_title a").text(),
visitCount: parseInt($('#blog_rank>li').eq(0).text().split(/[:：]/)[1]),
score: parseInt($('#blog_rank>li').eq(1).text().split(/[:：]/)[1]),
oriCount: parseInt($('#blog_statistics>li').eq(0).text().split(/[:：]/)[1]),
copyCount: parseInt($('#blog_statistics>li').eq(1).text().split(/[:：]/)[1]),
trsCount: parseInt($('#blog_statistics>li').eq(2).text().split(/[:：]/)[1]),
cmtCount: parseInt($('#blog_statistics>li').eq(3).text().split(/[:：]/)[1])
};
callback(null, result);
});

};
// 控制最大并发数为5，在结果中取出callback返回来的整个结果数组。
async.mapLimit(authorUrls, 5, function (myurl, callback) {
fetchUrl(myurl, callback);
}, function (err, result) {
console.log('=========== result: ===========
', result);
res.send(result);
});
});

// 获取每页的链接数组，这里不要用emit返回了，因为我们获得的已经是一个数组了。
pageUrls.forEach(function (page) {
superagent.get(page).end(function (err, sres) {
// 常规的错误处理
if (err) {
return next(err);
}
// 提取作者博客链接，注意去重
var $ = cheerio.load(sres.text);
$('.blog_list').each(function (i, e) {
var u = $('.user_name', e).attr('href');
if (authorUrls.indexOf(u) === -1) {
authorUrls.push(u);
}
});
console.log('get authorUrls successful!
', authorUrls);
ep.emit('get_topic_html', 'get authorUrls successful');
});
});
});

app.listen(3000, function (req, res) {
console.log('app is running at port 3000');
});

　　关于Nodejs搭建小爬虫的介绍就到这里了，码字不易，顺手点赞哈！

本文源自WeX5论坛，尊重原创，原文链接：http://bbs.wex5.com/forum.php?mod=viewthread&tid=100231&pid=165282433&page=1&extra=