USharing目标
建立一个 lesson3 项目，在其中编写代码。
当在浏览器中访问 http://localhost:3000/ 时，输出 CNode(https://cnodejs.org/ ) 社区首页的所有帖子标题和链接，以 json 的形式。
输出示例：
[
{
"title": "【公告】发招聘帖的同学留意一下这里",
"href": "http://cnodejs.org/topic/541ed2d05e28155f24676a12"
},
{
"title": "发布一款 Sublime Text 下的 JavaScript 语法高亮插件",
"href": "http://cnodejs.org/topic/54207e2efffeb6de3d61f68f"
}
]
挑战
访问 http://localhost:3000/ 时，输出包括主题的作者，
示例：
[
{
"title": "【公告】发招聘帖的同学留意一下这里",
"href": "http://cnodejs.org/topic/541ed2d05e28155f24676a12",
"author": "alsotang"
},
{
"title": "发布一款 Sublime Text 下的 JavaScript 语法高亮插件",
"href": "http://cnodejs.org/topic/54207e2efffeb6de3d61f68f",
"author": "otheruser"
}
]
知识点
- 学习使用 superagent 抓取网页
- 学习使用 cheerio 分析网页
课程内容
Node.js 总是吹牛逼说自己异步特性多么多么厉害，但是对于初学者来说，要找一个能好好利用异步的场景不容易。我想来想去，爬虫的场景就比较适合，没事就异步并发地爬几个网站玩玩。
本来想教大家怎么爬 github 的 api 的，但是 github 有 rate limit 的限制，所以只好牺牲一下 CNode 社区（国内最专业的 Node.js 开源技术社区），教大家怎么去爬它了。
我们这回需要用到三个依赖，分别是 express，superagent 和 cheerio。
先介绍一下，
superagent(http://visionmedia.github.io/superagent/ ) 是个 http 方面的库，可以发起 get 或 post 请求。
cheerio(https://github.com/cheeriojs/cheerio ) 大家可以理解成一个 Node.js 版的 jquery，用来从网页中以 css selector 取数据，使用方式跟 jquery 一样一样的。
还记得我们怎么新建一个项目吗？
- 新建一个文件夹，进去之后
npm init - 安装依赖
npm install --save PACKAGE_NAME - 写应用逻辑
我们应用的核心逻辑长这样
app.get('/', function (req, res, next) {
// 用 superagent 去抓取 https://cnodejs.org/ 的内容
superagent.get('https://cnodejs.org/')
.end(function (err, sres) {
// 常规的错误处理
if (err) {
return next(err);
}
// sres.text 里面存储着网页的 html 内容，将它传给 cheerio.load 之后
// 就可以得到一个实现了 jquery 接口的变量，我们习惯性地将它命名为 `$`
// 剩下就都是 jquery 的内容了
var $ = cheerio.load(sres.text);
var items = [];
$('#topic_list .topic_title').each(function (idx, element) {
var $element = $(element);
items.push({
title: $element.attr('title'),
href: $element.attr('href')
});
});
res.send(items);
});
});
OK，一个简单的爬虫就是这么简单。这里我们还没有利用到 Node.js 的异步并发特性。不过下两章内容都是关于异步控制的。
记得好好看看 superagent 的 API，它把链式调用的风格玩到了极致。
来源：http://wiki.jikexueyuan.com/project/node-lessons/superagent-cheerio.html
拓展：截取Table 整个数据的方式：
const express = require('express');
const superagent = require('superagent');
const cheerio = require('cheerio');
const app = express();
app.get('/', (req, res, next) => {
console.log(req)
superagent.get('https://www.mizuhobank.co.jp/retail/takarakuji/numbers/backnumber/index.html')
.end((err, sres) => {
// 常规的错误处理
if (err) {
return next(err);
}
// 剩下就都是 jquery 的内容了
let $ = cheerio.load(sres.text);
let items = [];
// 遍历所有的table数据
$('.js-backnumber-b').find('tbody').each(function (idx, element_1) {
$(element_1).find('tr').each(function (idx, element_2) {
//取th的值
// $th_value = $(element_2).find('th')
// items.push({
// th_value: $th_value.text()
// });
$(element_2).find('td').each(function (idx, element_3) {
var $element_3 = $(element_3).children().eq(0);
items.push({
text: $element_3.text()
});
});
});
});
res.send(items);
});
});
app.listen(3000, function () {
console.log('app is listening at port 3000');
});
例一 91美剧首页获取电影基本信息：
const express = require('express');
const superagent = require('superagent');
const cheerio = require('cheerio');
const app = express();
app.get('/', (req, res, next) => {
console.log(req)
superagent.get('https://91mjw.com/')
.end((err, sres) => {
// 常规的错误处理
if (err) {
return next(err);
}
// 剩下就都是 jquery 的内容了
let $ = cheerio.load(sres.text);
let items= [];
let movie_content = [];
// 遍历所有的table数据
$('.m-movies').each(function (idx, element_1) {
$movie_classify = $(element_1).find('h1')
items.push({
movie_classify: $movie_classify.text()
});
$(element_1).find('.u-movie').each(function (idx, element_2) {
$movie_content = $(element_2).find('a')
movie_content.push({
movie_name: $movie_content.attr('title'),
movie_url: $movie_content.attr('href'),
movie_img: $movie_content.children().html().match(/\"(\S*)\"/)[1]
});
});
items.push({
movie_content: movie_content
});
});
res.send(items);
});
});
app.listen(3000, function () {
console.log('app is listening at port 3000');
});
