标签:
使用nodejs抓取网页数据,这里用到cheerio,解析html十分好用,和jquery用法完全一致。
首先安装cheerio,在命令行中输入 npm install cheerio;(在nodejs根目录下输入该命令)
安装完成以后,我们来解析慕课网上http://www.imooc.com/learn/348,获取其上的课程信息。
代码如下:
var http = require(‘http‘); var cheerio = require(‘cheerio‘); var url = ‘http://www.imooc.com/learn/348‘; function filter(html){//抓取需要的课程信息 var $ = cheerio.load(html); var chapters = $(‘.chapter‘); //var result = [{ chapterTitle:‘‘, videos:[title:‘‘, id:‘‘] }];抓取结果的格式 var result = []; chapters.each(function(){ var item = $(this); var chapterTitle = item.find(‘strong‘).text(); var videos = item.find(‘.video‘).find(‘li‘); var chapterData = { chapterTitle: chapterTitle, videos: [] }; videos.each(function(){ var video = $(this).find(‘.studyvideo‘); var title = video.text().split(‘)‘)[0] + ‘)‘;//去除有用信息后面的空白 //console.log(title); var id = video.attr(‘href‘).split(‘video/‘)[1];//只取课程视频的编号 chapterData.videos.push({ title: title, id: id }); }); result.push(chapterData); }); return result; } function printResult(result){//打印抓取结果 var str = ‘‘; result.forEach(function(item){ str += item.chapterTitle + ‘\n‘; item.videos.forEach(function(item){ str += ‘ 【‘ + item.id + ‘】 ‘ + item.title + ‘\n‘; }); }); console.log(str); } http.get(url, function(res){ var html = ‘‘; res.on(‘data‘, function(data){//获取整个页面的所有信息 html += data; }); res.on(‘end‘, function(){ var result = filter(html);//过滤该页面,抓取需要的课程信息 printResult(result);//打印抓取的结果 }); }).on(‘error‘, function(){//在获取页面信息时发生错误 console.log(‘error!‘); });
结果:
第1章 前言
【6687】 1-1 前言 (01:20)
【6688】 1-2 为什么学习Nodejs (05:43)
第2章 安装 Nodejs
【6689】 2-1 课程简介 (01:19)
【6690】 2-2 Nodejs版本常识 (01:02)
【6691】 2-3 Windows下安装Nodejs (04:43)
【6692】 2-4 Linux下安装Nodejs (06:24)
【6693】 2-5 Mac下安装Nodejs (03:55)
第3章 等不及了来尝鲜
【6694】 3-1 起一个web服务器 (05:14)
【6695】 3-2 命令行中体验 (02:47)
第4章 模块与包管理工具
【6697】 4-1 Node.js 的模块 与 Commonjs 规范 (03:44)
【6700】 4-2 模块的分类 (00:45)
【6701】 4-3 简单的Nodejs模块 (09:23)
第5章 横扫 Nodejs API
【6705】 5-1 不要陷入版本选择的深渊 (02:32)
【6710】 5-2 URL网址解析的好帮手 (10:30)
【6711】 5-3 QueryString参数处理小利器 (06:40)
【6712】 5-4 HTTP知识先填坑 (09:43)
【6713】 5-5 HTTP知识填坑之“以慕课网为例分析” (10:13)
【7557】 5-6 HTTP 事件回调进阶 (17:51)
【7558】 5-7 HTTP 源码解读之先了解作用域、上下文 (20:50)
【7963】 5-8 HTTP 源码解读 (22:08)
【7964】 5-9 HTTP 性能测试 (09:15)
【7965】 5-10 HTTP 小爬虫 (17:33)
【8525】 5-11 事件模块小插曲 (15:15)
【8837】 5-12 request方法 (17:56)
本文是在学习了慕课网上的课程后发表的,网址:http://www.imooc.com/learn/348
标签:
原文地址:http://www.cnblogs.com/maheng/p/4889469.html