nodeJS实现简单网页爬虫功能的实例(分享)

站长资源 2024/11/27 佚名

53 1538 53

DDR爱好者之家 Design By 杰米

本文将使用nodeJS实现一个简单的网页爬虫功能

网页源码

使用http.get()方法获取网页源码，以hao123网站的头条页面为例

http://tuijian.hao123.com/hotrank

var http = require('http');
http.get('http://tuijian.hao123.com/hotrank',function(res){
 var data = '';
 res.on('data',function(chunk){
  data += chunk;
 });
 res.on('end',function(){
  console.log(data);
 })
});

获得的结果如下所示：

<!DOCTYPE html><html lang="zh_CN" bigrender="fe:widget/js/lib/bigRender.js">
<head><noscript><meta http-equiv="refresh" content="0; URL='/tuijian/hotrank" /></noscript>

<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1, maximum-scale=1, user-scalable=no">
<meta name="referrer" content="always">







<meta name="baidu-site-verification" content="cCHudceyEP" />
<meta name="baidu_union_verify" content="d7d644c8a5cb51b46c900d802d906116">
<meta name="keywords" content="头条,新闻,推荐,国内,国际,本地,财经,军事,娱乐,体育,社会,汽车,网站,新闻导航,今日头条,头条新闻,最新新闻,2017最新新闻,新闻名站,新闻大全,新闻门户" />
<meta name="description" content="hao123新闻频道，聚合全网最新的新闻，最热点的新闻，实时新闻热搜词，热门新闻报刊；更有军事新闻，娱乐新闻，体育新闻，图片新闻，汽车新闻，女性新闻，财经新闻，国内新闻，国际新闻等分类新闻" />


<title>热点排行榜-头条新闻-hao123新闻导航_hao123上网导航</title>




<link rel="shortcut icon" href="//www.hao123.com/favicon.ico" rel="external nofollow" />











<script>
  
   window.pageId = window.pageId || "hao123-xinwen-tuijian-hotrank";
   window.pageVP = window.pageVP || "hao123-xinwen-tuijian-hotrank";
  </script>
<!--[if lt IE 7]>
<script src="/UploadFiles/2021-04-02/dd_belatedpng.min.js">

筛选数据
以网页中的综艺热点部分

相关源代码如下

　　通过分析可知，‘综艺'模块与其他模块都位于<div class="top-wrap">中，其中，综艺模块的内层div的monkey='zy'，综艺模块的10条综艺节目的信息都位于<div class="poinr clearfix">中，综艺节目的名称位于<span class="point-title">中
cheerio
我们怎么从源代码中获取到有用的数据呢？首先，nodeJS不支持document对象。如果要使用笨办法，只能使用正则表达式来处理
cheerio 是nodejs特别为服务端定制的，能够快速灵活的对JQuery核心进行实现。它工作于DOM模型上，且解析、操作、呈送都很高效
【安装】

【使用】
它的使用方法和jQuery相当类似，上手非常容易。以获取综艺热度前10名的节目名称为例


var http = require('http');
var cheerio = require('cheerio');
http.get('http://tuijian.hao123.com/hotrank',function(res){
 var data = '';
 res.on('data',function(chunk){
  data += chunk;
 });
 res.on('end',function(){
  filter(data);
 })
});
function filter(data){
 //保存搜索量前10的综艺节目标题
 var result = [];
 //将页面源代码转换为$对象
 var $ = cheerio.load(data);
 //查找每个综艺节目标题的外层div
 var temp_arr = $('[monkey = "zy"]').find('.point-bd').find('.point-title');
 //将综艺节目标题依次保存到结果数组中
 temp_arr.each(function(index,item){
  result.push($(item).text());
 })
 //[ '变形计','来吧冠军','拜托了冰箱','昆仑决','天生是优我','姐姐好饿','脑力男人时代','奔跑吧兄弟','我想和你唱','玫瑰之旅' ]
 console.log(result);
}


爬虫代码
下面将hao123网页中的'实时热点'、'今日热点'、'民生热点'、'电影'、'电视剧'、'综艺'这6部分的排名爬下来，分别到对象名为'result'中的数组中，分别命令为'ss'、'jr'、'ms'、'dy'、'dsj'、'zy'

【代码如下】


var http = require('http');
var cheerio = require('cheerio');
http.get('http://tuijian.hao123.com/hotrank',function(res){
 var data = '';
 res.on('data',function(chunk){
  data += chunk;
 });
 res.on('end',function(){
  filter(data);
 })
});
function filter(data){
 //保存各部分搜索量前10的名称
 //对象名为榜单名，如'实时热点'
 //对象内容为10个标题名称组成的数组
 var result = {};
 //将页面源代码转换为$对象
 var $ = cheerio.load(data);
 //查找'实时热点'、'今日热点'、'民生热点'、'电影'、'电视剧'、'综艺'这6个榜单所在的div
 var temp_div = $('.top-wrap');

 //保存榜单名称
 var temp_title = [];

 temp_div.each(function(index,item){
  //查找榜单名，并保存到temp_title文件夹中
  temp_title.push($(item).find('h2').text());

  //查找每类下每个标题的外层div
  var temp_arr = $(item).find('.point-bd').find('.point-title');

  //将result下的每个榜单初始化为一个数组
  var innerResult = result[temp_title[index]] = [];

  //将节目标题依次保存到相应榜单的数组中
  temp_arr.each(function(_index,_item){
   innerResult.push($(_item).text())
  })
 })
 console.log(result);
}


【结果如下】


{ '实时热点': 
 [ '美国逮捕女斯诺登',
  '成都隐秘母乳买卖',
  '曝周杰伦青涩旧照',
  '老头公交强吻女孩',
  '王传君恋情曝光',
  '杭州现奇葩窗口',
  '忘带全班准考证',
  '未成年持械拍网红',
  '9秒揍儿子8拳',
  '戴耳机穿轨道被撞' ],
 '今日热点': 
 [ '北京回龙观大火',
  '选美冠军车祸身亡',
  '2017高考',
  '成都老火锅店被查',
  '陈浩民娇妻秀身材',
  '海边直播发现浮尸',
  '曝印小天遭妻骗婚',
  '苹果开发者大会',
  '6万斤鱼缺氧死亡',
  '安以轩夏威夷大婚' ],
 '民生热点': 
 [ '北京回龙观大火',
  '2017高考',
  '成都老火锅店被查',
  '海边直播发现浮尸',
  '苹果开发者大会',
  '6万斤鱼缺氧死亡',
  '北控外援训练猝死',
  '武汉男子裸体捅人',
  '多国与卡塔尔断交',
  '美驻华外交官辞职' ],
 '电影': 
 [ '神奇女侠',
  '异星觉醒',
  '新木乃伊',
  '中国推销员',
  '荡寇风云',
  '异兽来袭',
  '李雷和韩梅梅',
  '北极星',
  '美好的意外',
  '夏天19岁的肖像' ],
 '电视剧': 
 [ '龙珠传奇',
  '楚乔传',
  '欢乐颂2',
  '欢乐颂',
  '职场是个技术活',
  '择天记',
  '美食大冒险',
  '废柴兄弟',
  '人民的名义',
  '三生三世十里桃花' ],
 '综艺': 
 [ '变形计',
  '来吧冠军',
  '拜托了冰箱',
  '昆仑决',
  '天生是优我',
  '姐姐好饿',
  '脑力男人时代',
  '奔跑吧兄弟',
  '我想和你唱',
  '玫瑰之旅' ] }
[Finished in 0.7s]


以上这篇nodeJS实现简单网页爬虫功能的实例(分享)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。