uniCloud爬虫获取网页数据
- 'use strict';
- let request = require('request')
- let cheerio = require('cheerio'); //爬虫
- let iconv = require('iconv-lite'); //处理gbk编码的网页
- let Entities = require('html-entities').XmlEntities;
- let entities = new Entities();
- const fs = require('fs')
- const path = require('path')
- const host = 'http://www.quanshuwang.com/shuku/'
- const db = uniCloud.database()
- const collection = db.collection('repiles-book')
- const dbCom = db.command
- exports.main = async (event, context) => {
- // 开始抓取首页链接
- let indexArr = []
- //发送请求获取页面内容
- var body = await requestFn()
- var $ = cheerio.load(body);
- //兼容网页编码格式
- if ($('meta[charset]').attr('charset') == 'utf-8') { //如果网页是utf-8的编码
- } else { //如果网页是gbk的编码
- body = iconv.decode(body, 'gbk'); //转换gbk编码的页面内容
- $ = cheerio.load(body);
- }
- //处理网页数据 获取排行列表
- let list = $('.yd-book-content .tab-item').find('.yd-book-item')
- for (var i = 0; i < list.length; i++) {
- let href = list.eq(i).find('a').attr("href")
- //获取书的id
- let index = href.indexOf('_') + 1
- let index2 = href.lastIndexOf('.')
- let bookId = href.slice(index, index2) //书ID
- //获取书的封面
- let bookImageSrc = list.eq(i).find('img').attr("src")
- //获取书的标题 注意使用html-entities解码
- let bookName = entities.decode(list.eq(i).find('h2').html())
- //获取书的作者 注意使用html-entities解码
- let bookAuthor = entities.decode(list.eq(i).find('.dl-horizontal-inline p').html())
- console.log('书的封面:' + bookImageSrc);
- console.log('书的标题:' + bookName);
- console.log('书的作者:' + bookAuthor);
- console.log('书的id:' + bookId);
- let obj={
- bookImageSrc,
- bookName,
- bookAuthor,
- bookId,
- }
- saveContent(obj)
- }
- console.log('新增文章数量:', indexArr.length);
- // 循环抓取每个新文章详情页
- // if (indexArr.length > 0) {
- // for (let i = 0; i < indexArr.length; i++) {
- // let href = list.eq(indexArr[i]).attr("href")
- // let imgSrc = list.eq(indexArr[i]).find('img').attr('src')
- // let title = list.eq(indexArr[i]).find('.title').text()
- // await saveArticle(href, title, imgSrc)
- // }
- // }
- //返回数据给客户端
- return event
- };
- function saveContent(obj) {
- //获取要写入文件的文件夹路径(以书名当文件夹)
- let pathBook=path.join(__dirname, `../../bookData/${obj.bookName}`)
- //判断书名文件夹是否存在,不存在则创建
- if (!fs.existsSync(pathBook)) {
- fs.mkdirSync(pathBook)
- }
- //写入json文件
- fs.writeFile(`${pathBook}/chapter1.json`, JSON.stringify(obj), 'utf-8', err => {
- if (err) throw err
- })
- }
- function requestFn() {
- return new Promise((resolve, reject) => {
- request({
- url: host,
- encoding: null //设置抓取页面时不要对数据做任何转换
- }, function(err, res, body) {
- if (err) {
- reject(err)
- } else {
- resolve(body)
- }
- });
- })
- }
uniCloud爬虫获取网页数据的更多相关文章
- 爬虫获取网页数据,报错:UnicodeDecodeError: 'utf-8' codec can't decode byte 0x8b in position 1: invalid start by
https://blog.csdn.net/hj_xy_0705/article/details/85011072
- Java 网络爬虫获取网页源代码原理及实现
Java 网络爬虫获取网页源代码原理及实现 1.网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成.传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL ...
- 【转】如何在Windows+VS2005使用最新静态libcurl 7.35.0获取网页数据,支持HTTPS
地址: http://blog.csdn.net/hujkay作者:Jekkay Hu(34538980@qq.com)关键词:Windows,curl,ssl, visual c++ 2005, ...
- 在php中分别使用curl的post提交数据的方法和get获取网页数据的方法
在php中分别使用curl的post提交数据的方法和get获取网页数据的方法整理分享一下额,具体代码如下: (1)使用php curl获取网页数据的方法: $ch=curl_init(); //设置选 ...
- UWP 使用HttpClient获取网页数据
我的App自然灾害中,为了展示地震的各种信息,就需要从网页上获取地震源数据. 如图所示,我们需要展示 地震等级.地震发生时间.经纬度.震源深度.地震位置等信息. 那么,假设给了一个地震的源,中国地震台 ...
- 使用HttpClient进行Get方式通信(使用HttpGet获取网页数据)
1.项目结构 导入jar包 jar包去官网下载解压后项目新建lib目录,将解压包中的lib目录中的zip拷入项目lib目录文件夹,然后build path-->配置到项目中 2.TestGet. ...
- C# 获取网页数据、获取本机IP 分类: C# 2014-12-16 14:59 308人阅读 评论(0) 收藏
说明: (1) http://www.3322.org/dyndns/getip 这个网址可以获取本机IP,读取的内容就是本机IP (2)方法经测试,可以实现. (3)参考:http://www.cn ...
- 20170717_python_爬虫_网页数据解析_BeautifulSoup_数据保存_pymysql
上午废了老大劲成功登陆后,下午看了下BeautifulSoup和pymysql,晚上记录一下 自己电脑装的sublime,字体颜色竟然拷贝不下来 - - 写的过程中遇到了很多问题: 1.模拟登陆部分 ...
- VB中获取网页数据
以下是在Microsoft Visual Basic 6.0 中文版下做的 VB可以抓取网页数据,所用的控件是Inet控件. 第一步:单击工程-->部件 选择Microsoft Internet ...
随机推荐
- apostrophe
apostrophe 者,', 0x27, 十进制39,ASCII里的single quote (单引号) 也.one of the 'inverted commas'. 在书写上可以表示所有格.省略 ...
- Spark产生数据倾斜的原因以及解决办法
Spark数据倾斜 产生原因 首先RDD的逻辑其实时表示一个对象集合.在物理执行期间,RDD会被分为一系列的分区,每个分区都是整个数据集的子集.当spark调度并运行任务的时候,Spark会为每一个分 ...
- Angular中@Output()的使用方法
子component中的html文件 <button (click)="Send()">送出</button><br> 子component中的 ...
- D3-更改x轴的标签
记录,上代码
- 转 GSON
转 https://www.jianshu.com/p/75a50aa0cad1 GSON弥补了JSON的许多不足的地方,在实际应用中更加适用于Java开发.在这里,我们主要讲解的是利用GSON来操作 ...
- 技术预演blog
canal整合springboot实现mysql数据实时同步到redis spring+mysql集成canal springboot整合canal监控mysql数据库 SpringBoot cana ...
- 【Linux】【Services】【SaaS】Docker+kubernetes(13. 部署Jenkins/Maven实现代码自动化发布)
1. 简介 Jenkins: 官方网站:https://jenkins.io/ 下载地址:https://jenkins.io/download/ war包下载:http://mirrors.jenk ...
- Windows下80端口被占用的解决方法(SQL Server)
查找80端口被谁占用的方法 进入命令提示行(WIN+R 输入 CMD),输入命令 netstat -ano|findstr 80 (显示包含:80的网络连接) ,就可以看到本机所有端口的使用情况,一般 ...
- [BUUCTF]PWN——[HarekazeCTF2019]baby_rop2
[HarekazeCTF2019]baby_rop2 题目附件 步骤: 例行检查,64位,开启了nx保护 运行了一下程序,了解大概的执行情况 64位ida载入,shift+f12检索程序里的字符串,没 ...
- Mac终端学习C笔记
Mac终端自带Clang,是一个C语言.C++.Objective-C语言的轻量级编译器,也可以进行c程序编译.具体Clang和gcc区别不做详细介绍. 终端自动vi编辑器. 终端命令笔记: gcc ...