使用Node.js搭建数据爬虫crawler
0. 通用爬虫框架包括:
(1) 将爬取url加入队列,并获取指定url的前端资源(crawler爬虫框架主要使用Crawler类进行抓取网页)
(2)解析前端资源,获取指定所需字段的值,即获取有价值的信息(crawler框架主要使用Cheerio解析DOM)
(3)将有价值的字段内容存储,持久化到数据库,或直接使用IO写入文件(使用Node.js的IO操作或数据库操作)
特性:
(1)一般获取到前端资源后通过管道传输数据并异步处理数据;或者使用异步回调函数进行处理数据
1. node-crawler的下载与安装
(1)使用Web Storm新建一个空项目
(2)在空项目下执行npm init --yes创建packages.json文件管理已安装包
(3)安装爬虫crawler包
npm install crawler
a. 在nodejs根目录下运行, 也能在项目根目录下运行, 在哪个目录下运行则安装在哪个目录的node_modules目录下
b. 如果在应用程序的根目录下运行,则会安装在项目根目录下生成文件夹node_modules, 里面是安装包
2. 第一个简单的crawler爬虫应用程序
server.js
var Crawler = require("crawler"); var c = new Crawler({ maxConnections : 10, // 这个回调每个爬取到的页面都会触发 callback : function (error, res, done) { if(error){ console.log(error); }else{ var $ = res.$; // $默认使用Cheerio // 这是为服务端设计的轻量级jQuery核心实现 console.log($("title").text()); } done(); } }); // 爬取一个URL,使用默认的callback c.queue('http://www.taobao.com'); // 爬取URL列表 c.queue(['http://www.jd.com/','http://www.baidu.com']); // 爬取页面,自定义callback和参数 c.queue([{ uri: 'http://www.youku.com/', jQuery: false, // 覆盖全局的callback callback: function (error, res, done) { if(error){ console.log(error); }else{ console.log('Grabbed', res.body.length, 'bytes'); } done(); } }]); // 在队列中加入一些HTML代码,无需爬取(mostly for tests) c.queue([{ html: '<p>This is a <strong>test</strong></p>' }]);
在控制台输入node server.js运行; 或者使用IDE工具中的Debugger工具
爬虫Crawler经典模型伪代码:
c = new Crawler(); handler = [{ 'uri': url, 'jquery':true, 'callback': function(){ data = crawler_get_data(); res = db_store_data(data); # 也可以在这里获取新的url,并将新的url添加到爬虫中 } }]; c.queue(handler)
3. 使用Cheerio即jQuery的核心实现来操作DOM元素,所有操作DOM的API和jQuery是一模一样的
优点:
a. 熟悉的语法,和jQuery操作DOM是一模一样的
b. 解析速度快,至少是JSDOM的8倍
c. 极其灵活,使用htmlparser2,几乎可以解析所有的html和xml
(1)解析html
$ = cheerio.load(html, {})
(2)选择器
(3)属性操作
attr()
removeAttr()
addClass()
removeClass()
hasClass()
(4)遍历
find()
parent()
next()
prev()
siblings()
children()
each()
map()
filter()
first()
last()
eq()
(5)操作DOM
append()
prepend()
before()
after()
remove()
replaceWith()
empty()
html()
text()
(6)解析和渲染
html()
toArray()
clone()
如何将HTML页面提取出部分文本内容
- 去除网页中的HTML标签
- 将网页中的HTML标签替换为空字符串
- 使用cherrio模块实现内容提取
使用Node.js搭建数据爬虫crawler的更多相关文章
- 基于Node.js的强大爬虫 能直接发布抓取的文章哦
基于Node.js的强大爬虫 能直接发布抓取的文章哦 基于Node.js的强大爬虫能直接发布抓取的文章哦!本爬虫源码基于WTFPL协议,感兴趣的小伙伴们可以参考一下 一.环境配置 1)搞一台服务器,什 ...
- Node.js 网页瘸腿爬虫初体验
延续上一篇,想把自己博客的文档标题利用Node.js的request全提取出来,于是有了下面的初哥爬虫,水平有限,这只爬虫目前还有点瘸腿,请看官你指正了. // 内置http模块,提供了http服务器 ...
- 使用Node.js搭建静态资源服务器
对于Node.js新手,搭建一个静态资源服务器是个不错的锻炼,从最简单的返回文件或错误开始,渐进增强,还可以逐步加深对http的理解.那就开始吧,让我们的双手沾满网络请求! Note: 当然在项目中如 ...
- 使用 Node.js 搭建微服务网关
目录 Node.js 是什么 安装 node.js Node.js 入门 Node.js 应用场景 npm 镜像 使用 Node.js 搭建微服务网关 什么是微服务架构 使用 Node.js 实现反向 ...
- node.js主从分布式爬虫
前言 前文介绍过用Python写爬虫,但是当任务多的时候就比较慢, 这是由于Python自带的http库urllib2发起的http请求是阻塞式的,这意味着如果采用单线程模型,那么整个进程的大部分时间 ...
- 使用 Node.js 搭建 Web 服务器
使用Node.js搭建Web服务器是学习Node.js比较全面的入门教程,因为实现Web服务器需要用到几个比较重要的模块:http模块.文件系统.url解析模块.路径解析模块.以及301重定向技术等, ...
- node.js搭建代理服务器请求数据
1.引入node.js中的模块 var http = require("http"); var url = require("url"); var qs = r ...
- node.js 89行爬虫爬取智联招聘信息
写在前面的话, .......写个P,直接上效果图.附上源码地址 github/lonhon ok,正文开始,先列出用到的和require的东西: node.js,这个是必须的 request,然发 ...
- Node.js大众点评爬虫
大众点评上有很多美食餐馆的信息,正好可以拿来练练手Node.js. 1. API分析 大众点评开放了查询商家信息的API,这里给出了城市与cityid之间的对应关系,链接http://m.api.di ...
随机推荐
- java的ArrayList源码摘要
ArrayList本质上是一组对象数组,ArrayList有三种构造方法 1.指定长度创建ArrayList,2.默认长度为10创建.3,用旧的集合创建一个ArrayList. 对ArrayList的 ...
- 30个值得关注的Vue开源项目
译者按: 学习优秀的开源项目是提高代码水平最有效的方式. 原文: 30 Amazing Vue.js Open Source Projects for the Past Year (v.2018) 译 ...
- js 浏览器兼容css中webkit、Moz、O、ms...写法封装(es6语法)
/** *浏览器兼容写法封装 */ let elementStyle = document.createElement('div').style let vendor = (() => { le ...
- DevOps 工程师实际上是做什么的
DevOps 工程师实际上是做什么的? 我们之前已经讨论过许多关于DevOps和DevOps世界的最新趋势了.但是DevOps工程师到底是做什么的? DevOps工程师以最纯粹的方式弥合了软件开发和运 ...
- c# 多线程委托传参方式
1.定义一个线程调用的方法函数 private void RTPServer(object _Serverip) { IPEndPoint Serverip = _Serverip as IPEndP ...
- Python生成器、推导式之前襟后裾
生成器 函数体内有yield选项的就是生成器,生成器的本质是迭代器,由于函数结构和生成器结构类似,可以通过调用来判断是函数还是生成器,如下: def fun(): yield "我是生成器& ...
- LNMP构建动态网站WordPress
LNMP构建动态网站wordpress 一.部署LNMP架构 1.安装nginx #配置nginx源 cat>/etc/yum.repos.d/nginx.repo<<-EOF [N ...
- jquery/js记录点击事件,单击次数加一,双击清零
目的:点击按钮,点击后在网页上显示点击次数,双击清零 实现:js或者jquery 代码如下: <%@ page language="java" contentType=&qu ...
- 《Effective Java中文版第二版》读书笔记
说明 这里是阅读<Effective Java中文版第二版>的读书笔记,这里会记录一些个人感觉稍微有些重要的内容,方便以后查阅,可能会因为个人实力原因导致理解有误,若有发现欢迎指出.一些个 ...
- Django--cookie(登录用)
一.cookie产生原因 二.cookie的原理图 三.Django中如何设置/读取/删除cookie 四.Django中如何设置cookie的参数 一.cookie产生原因 HTTP协议的无状态保存 ...