nodeJS实现简单网页爬虫功能的实例(分享)

站长资源 2024/11/19 佚名

53 1538 53

铁雪资源网 Design By www.gsvan.com

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。

nodeJS实现网页爬虫

标签：

nodeJS实现网页爬虫

铁雪资源网 Design By www.gsvan.com

广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com

铁雪资源网 Design By www.gsvan.com

评论“nodeJS实现简单网页爬虫功能的实例(分享)”

暂无nodeJS实现简单网页爬虫功能的实例(分享)的评论...

www.gsvan.com 铁雪资源网

39,976影音资源

144,792福利资源

1,817软件资源

431,128技术资源

稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！

昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。

这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？

nodeJS实现简单网页爬虫功能的实例(分享)

nodeJS实现网页爬虫

jQuery 添加样式属性的优先级别方法(推荐)

Ionic项目中Native Camera的使用方法

评论“nodeJS实现简单网页爬虫功能的实例(分享)”

稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！

友情链接