
1、CSDN -专业开发者社区 IT技术交流平台
2、IT圈,圈圈精彩 - 原软媒论坛、IT之家,国内最人气的科技社交圈层,继软媒论坛、IT之家社区演变而来。
3、51CTO技术论坛-中国领先的IT技术社区 国内主流IT技术社区,论坛拥有大批IT技术人/IT专家
4、快速开发平台社肢磨区 -天翎论坛低代码平台技术社区,主要是以低代码开发平台为主的技术性论坛社区
《使用 superagent 与 cheerio 完成简单爬虫》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罩汪陆链接,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
学习物顷使用 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陵迟易。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。
一、安装node.js1、可以选择去官方http://nodejs.org/选择一雀搭个版本进行下载,当然要下载稳定版本
2、也可以使用这里的地址,http://nodejs.org/dist/v0.10.15/node-v0.10.15.tar.gz
通过使用linux的wget命令进行下载,就像这样
sudo wget http://nodejs.org/dist/v0.10.15/node-v0.10.15.tar.gz
3、下载完成后,解压缩,就像这样
sudo tar zxvf node-v0.10.15.tar.gz
4、进入node压缩目录下,使用这样的命令
sudo ./configure --prefix=你要安装的目录
sudo make
sudo make install
二、第一个示例程序:
便用一个编辑器,比蔽岁昌如vim,或者你所熟悉的编辑器,参照我的样子写下如下的代码,保存为hellonode.js
var result = 0
for(var i = 1i<=10i++) {
result += i
}
process.stdout.write("Hello Node.js, 我已经使用你帮我算除了1到10的和等宏扒于"+result+", 真是厉害。")
那么是这样执行它,比我的node安装目录是/opt/node,那么我就需要这样执行,
sudo /opt/node/bin/node hellonode.js
欢迎分享,转载请注明来源:内存溢出
微信扫一扫
支付宝扫一扫
评论列表(0条)