【原】小玩node+express爬虫-2

上周写了一个node+experss的爬虫小入门。今天继续来学习一下，写一个爬虫2.0版本。

这次我们不再爬博客园了，咋玩点新的，爬爬电影天堂。因为每个周末都会在电影天堂下载一部电影来看看。

talk is cheap,show me the code!

【原】小玩node+express爬虫-1：http://www.cnblogs.com/xianyulaodi/p/6049237.html

抓取页面分析

我们的目标：

1、抓取电影天堂首页，获取左侧最新电影的169条链接

2、抓取169部新电影的迅雷下载链接，并且并发异步抓取。

具体分析如下：

1、我们不需要抓取迅雷的所有东西，只需要下载最新发布的电影即可,比如下面的左侧栏。一共有170个，除去第一个（因为第一个里面有200部电影），一共有169部电影。

2、除了抓取首页的东西，我们还要抓取点进去之后，每部电影的迅雷下载链接

环境搭建

1、需要的东西：node环境、express、cherrio 这三个都是上一篇文章有介绍的，所以这里不再做介绍：点击查看

2、需要安装的新东西：

superagent：

作用：跟request差不多，我们可以用它来获取get/post等请求，并且可以设置相关的请求头信息，相比较使用内置的模块，要简单很多。

用法：

var superagent = require('superagent');
superagent
.get('/some-url')
.end(function(err, res){
    // Do something 
});

superagent-charset：

作用：解决编码问题，因为电影天堂的编码是gb2312,爬取下来的中文会乱码掉。

用法：

var superagent = require('superagent');
var charset = require('superagent-charset');
charset(superagent);

superagent
.get('/some-url')
.charset('gb2312')  //这里设置编码
.end(function(err, res){
    // Do something 
});

async：

作用：Async是一个流程控制工具包，提供了直接而强大的异步功能，在这里作为处理并发来调用。

用法：这里需要用到的是：async.mapLimit(arr, limit, iterator, callback) 

mapLimit可以同时发起多个异步操作，然后一起等待callback的返回，返回一个就再发起下一个。 

arr是一个数组，limit并发数，将arr中的每一项依次拿给iterator去执行，执行结果传给最后的callback 

eventproxy：

作用：eventproxy 起到了计数器的作用，它来帮你管理到底异步操作是否完成，完成之后，它会自动调用你提供的处理函数，并将抓取到的数据当参数传过来。

例如我首先抓取到电影天堂首页侧栏的链接，才可以接着抓取链接里面的内容。具体作用可以点这里

用法：

var ep = new EventProxy();
ep.after('got_file', files.length, function (list) {
  // 在所有文件的异步执行结束后将被执行 
  // 所有文件的内容都存在list数组中 
});
for (var i = 0; i < files.length; i++) {
  fs.readFile(files[i], 'utf-8', function (err, content) {
    // 触发结果事件 
    ep.emit('got_file', content);
  });
}
//注意got_file这两个名字必须对应

开始爬虫

主要的程序在app.js这里，所以看的话可以主要看app.js即可

1、首先定义一些全局变量，该引入的库引进来

var cheerio = require('cheerio'); //可以像jquer一样操作界面
var charset = require('superagent-charset'); //解决乱码问题:
var superagent = require('superagent'); //发起请求 
charset(superagent); 
var async = require('async'); //异步抓取
var express = require('express');  
var eventproxy = require('eventproxy');  //流程控制
var ep = eventproxy();
var app = express();

var baseUrl = 'http://www.dytt8.net';  //迅雷首页链接
var newMovieLinkArr=[]; //存放新电影的url
var errLength=[];     //统计出错的链接数
var highScoreMovieArr=[] //高评分电影

2、开始爬取首页迅雷首页：

//先抓取迅雷首页
(function (page) {
    superagent
    .get(page)
    .charset('gb2312')
    .end(function (err, sres) {
        // 常规的错误处理
        if (err) {
          console.log('抓取'+page+'这条信息的时候出错了')
            return next(err);
        }
        var $ = cheerio.load(sres.text);
        // 170条电影链接，注意去重
        getAllMovieLink($);
        highScoreMovie($);
        /*
        *流程控制语句
        *当首页左侧的链接爬取完毕之后，我们就开始爬取里面的详情页
        */
        ep.emit('get_topic_html', 'get '+page+' successful');
    });
})(baseUrl);

在这里，我们先抓取首页的东西，把首页抓取到的页面内容传给 getAllMovieLink和highScoreMovie这两个函数来处理，

getAllMovieLink获取到了左侧栏除了第1部的电影的169电影。

highScoreMovie为左侧栏第一个链接，里面的都是评分比较高的电影。

上面的代码中，我们弄了一个计数器，当它执行完之后，我们就可以执行与‘get_topic_html‘名字对应的流程了，从而可以保证在执行完首页的抓取工作之后，再执行次级页面的抓取工作。

ep.emit('get_topic_html', 'get '+page+' successful');

highScoreMovie方法如下，其实我们这里的作用不大，只是我统计一下高评分电影首页的信息，懒的继续抓取了

//评分8分以上影片 200余部!，这里只是统计数据，不再进行抓取
function highScoreMovie($){
    var url='http://www.dytt8.net'+$('.co_content2 ul a').eq(0).attr('href');
    console.log(url);
    superagent
    .get(url)
    .charset('gb2312')
    .end(function (err, sres) {
        // 常规的错误处理
        if (err) {
            console.log('抓取'+url+'这条信息的时候出错了')
        }
        var $ = cheerio.load(sres.text);
        var elemP=$('#Zoom p');
        var elemA=$('#Zoom a');
        for (var k = 1; k < elemP.length; k++) {
            var Hurl=elemP.eq(k).find('a').text();
            if(highScoreMovieArr.indexOf(Hurl) ==-1){
                highScoreMovieArr.push(Hurl);
            };
        }
    });
}

3、分离出左侧栏的信息，

如下图，首页中，详情页的链接都在这里$('.co_content2 ul a')。

因此我们将左侧栏这里的详情页链接都遍历出来，保存在一个newMovieLinkArr这个数组里面。

getAllMovieLink方法如下：

// 获取首页中左侧栏的所有链接
function getAllMovieLink($){
    var linkElem=$('.co_content2 ul a');
    for(var i=1;i<170;i++){
        var url='http://www.dytt8.net'+linkElem.eq(i).attr('href');
        // 注意去重
        if(newMovieLinkArr.indexOf(url) ==-1){
            newMovieLinkArr.push(url);
        };
    }
}

4、对获取到的电影详情页进行爬虫，提取有用信息，比如电影的下载链接，这个是我们所关心的。

// 命令 ep 重复监听 emit事件(get_topic_html)，当get_topic_html爬取完毕之后执行
ep.after('get_topic_html', 1, function (eps) {
    var concurrencyCount = 0;
    var num=-4; //因为是5个并发，所以需要减4

    // 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++;
        num+=1
        console.log('现在的并发数是', concurrencyCount, '，正在抓取的是', myurl);
        superagent
        .get(myurl)
        .charset('gb2312') //解决编码问题
        .end(function (err, ssres) {

            if (err) {
                callback(err, myurl + ' error happened!');
                errLength.push(myurl);
                return next(err);
            }

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

            var $ = cheerio.load(ssres.text);

            // 对获取的结果进行处理函数
            getDownloadLink($,function(obj){
                res.write('<br/>');
                res.write(num+'、电影名称-->  '+obj.movieName);
                res.write('<br/>');
                res.write('迅雷下载链接-->  '+obj.downLink);
                res.write('<br/>');
                res.write('详情链接-->  <a href='+myurl+' target="_blank">'+myurl+'<a/>');
                res.write('<br/>');
                res.write('<br/>');
            });
            var result = {
                 movieLink: myurl
            };
            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。
    // mapLimit(arr, limit, iterator, [callback])
    async.mapLimit(newMovieLinkArr, 5, function (myurl, callback) {
        fetchUrl(myurl, callback);
    }, function (err, result) {
        // 爬虫结束后的回调，可以做一些统计结果
        console.log('抓包结束，一共抓取了-->'+newMovieLinkArr.length+'条数据');
        console.log('出错-->'+errLength.length+'条数据');
        console.log('高评分电影：==》'+highScoreMovieArr.length);
        return false;
    });
    
});

首先是async.mapLimit对所有详情页做了一个并发，并发数为5，然后再爬取详情页，爬详情页的过程其实和爬首页的过程是一样的，所以这里不做过多的介绍，然后将有用的信息打印到页面上。

5、执行命令之后的图如下所示：

浏览器界面：

       这样，我们爬虫的稍微升级版就就完成啦。可能文章写的不是很清楚，我已经把代码上传到了github上，可以将代码运行一遍，这样的话比较容易理解。后面如果有时间，可能会再搞一个爬虫的升级版本，比如将爬到的信息存入mongodb，然后再在另一个页面展示。而爬虫的程序加个定时器，定时去抓取。

备注：如果运行在浏览器中的中文乱码的话，可以将谷歌的编码设置为utf-8来解决；

代码地址：https://github.com/xianyulaodi/mySpider2

有误之处，欢迎指出