标签：爬取 als ror 第一个 实现 eject dom sar node
window下的安装，node.js直接上官网下载：https://nodejs.org/en/
选择LTS，也就是版本号比较低的稳定版，下载下来后运行下载的文件进行安装；
通过win+R打开cmd命令行：执行以下命令安装淘宝镜像：
$ npm install -g cnpm --registry=https://registry.npm.taobao.org
全局安装express:
cnpm install express -g
建立新文件夹sesson1并进入sesson1:
mkdir sesson1 && cd sesson1
使用npm生成package.json文件：(加-y 可以免去确认)
npm init -y
安装utility：
cnpm install utility --save
新建app.js文件，复制以下内容：
var express = require(‘express‘) //引入express模块并赋给变量express var utility = require(‘utility‘) //引入utility库 var app = express() //加括号表示将express实例化，并赋给变量app //app.get是express实例的一个方法，常用方法：get、post、put/patch、delete； //第一个参数是路径，第二个参数是一个回调函数，函数会接收到两个对象，分别是 request 和 response，简写成：req 和 res; // req 中包含了浏览器传来的各种信息，query，body，headers等都可以通过 req 对象访问。 // res 对象，一般通过它向浏览器输出信息。 app.get(‘/‘,function(rep,res){var q = req.query.q var md5Value = utility.md5(q) res.send(md5Value) }).listen(3000,function(rep,res){ console.log(‘app is running at port 3000‘) })
cmd执行app.js:
node app.js
浏览器输入：http://locallhost:3000/?q=Hello World ，出现Hello World字符串转md5的值 : 0a4d55a8d778e5022fab701977c5d840bbc486d0
mkdir lesson2 && cd lesson2
npm init -y
cnpm install cheerio --save-dev
cnpm intsall bluebird --save
新建app.js文件，复制以下内容：
var http = require(‘http‘) var express = require(‘express‘) var cheerio = require(‘cheerio‘) var Promise = require(‘bluebird‘) var app = express() var fetchCourseArray = [],pageArray =[] function getPageAsync(url){ return new Promise(function(resolve,reject){ console.log(‘正在爬取...‘+url) http.get(url,function(res){ var html = ‘‘ res.on(‘data‘,function(data){ html += data }) res.on(‘end‘,function(){ resolve(html) }) }).on(‘error‘,function(){ reject(e) console.log(‘任何时候，都不是代码的错!‘) }) }) } pageArray.push(‘http://coderschool.cn/1853.html‘) pageArray.forEach(function(value,index){ fetchCourseArray.push(getPageAsync(pageArray[index])) }) Promise .all(fetchCourseArray) .then(function(pagesArr){ pagesArr.forEach(function(html){ var $ = cheerio.load(html) var a = $(‘.post-1853 p a‘) itemArr = [] a.each(function(){ itemArr.push({ title:$(this).text(), href:$(this).attr(‘href‘) }) }) itemArr.forEach(function(item){ console.log(item.title +‘: ‘+item.href) }) }) }) app.get(‘/‘, function(req,res){ res.send(itemArr) }).listen(3000,function(){ console.log(‘app is listening at port 3000‘) })
cmd执行：
node app.js
页面输出itemArr数组，cmd命令行打印爬取页面的指定内容。
var cheerio = require(‘cheerio‘) var eventproxy = require(‘eventproxy‘) var superagent = require(‘superagent‘) var url = require(‘url‘) var cnodeUrl = ‘https://cnodejs.org/‘ superagent.get(cnodeUrl) .end(function(err, res) { if (err) { return console.error(err) } topicUrls = [] var $ = cheerio.load(res.text) $(‘#topic_list .topic_title‘).each(function(idx, element){ var $element = $(element) var href = url.resolve(cnodeUrl,$element.attr(‘href‘)) topicUrls.push(href) }) var ep = new eventproxy() ep.after(‘topic_html‘,topicUrls.length,function(topics){ topics = topics.map(function(topicPair){ var topicUrl = topicPair.topicUrl var topicHtml = topicPair.text var $ = cheerio.load(topicHtml) return ({ title: $(‘.topic_full_title‘).text().trim(), href: topicUrl, comment1: $(‘.reply_content‘).eq(0).text().trim(), author1:$(‘.user_name a‘).text().trim(), score1:$(‘.floor .big‘).text().trim() }) }) console.log(‘final:‘) console.log(topics) }) topicUrls.forEach(function(topicUrl){ superagent.get(topicUrl) .end(function(err,res){ console.log(‘fetch ‘ + topicUrl + ‘ successful‘) ep.emit(‘topic_html‘,{topicUrl: topicUrl, text: res.text}) }) }) })
cmd执行：
node app.js
cmd命令行打印并发爬取多个页面的指定内容。
var cheerio = require(‘cheerio‘) var superagent = require(‘superagent‘) var url = require(‘url‘) var async = require(‘async‘) var cnodeUrl = ‘https://cnodejs.org/‘ superagent.get(cnodeUrl) .end(function(err, res) { if (err) { return console.error(err) } var topicUrls = [] var $ = cheerio.load(res.text) $(‘#topic_list .topic_title‘).each(function(idx, element){ var $element = $(element) var href = url.resolve(cnodeUrl,$element.attr(‘href‘)) topicUrls.push(href) }) var concurrencyCount = 0 var itemArr = [] var fetchUrl = function(topicUrl, callback){ var delay = parseInt((Math.random() * 10000000) % 2000, 10) concurrencyCount ++ console.log(‘并发数：‘+ concurrencyCount,‘正在抓取：‘,topicUrl,‘耗时：‘+delay + ‘ms‘) superagent.get(topicUrl) .end(function(err,res){ var $ = cheerio.load(res.text) var topics = { title: $(‘.topic_full_title‘).text().trim(), href: topicUrl, comment1: $(‘.reply_content‘).eq(0).text().trim(), author1:$(‘.user_name a‘).text().trim(), score1:$(‘.floor .big‘).text().trim() } itemArr.push(topics) }) setTimeout(function(){ concurrencyCount -- callback(null,topicUrl + ‘html content‘) },delay) } async.mapLimit(topicUrls,5, function(topicUrl, callback){ fetchUrl(topicUrl, callback) }, function(err, result){ console.log(‘final:‘) console.log(result) console.log(itemArr) }) })
cmd执行：
node app1.js
cmd命令行打印爬取指定并发数的多个页面的指定内容。
非教程，只是自己学习的记录，当然也希望可以帮到您。
参考资料：
标签：爬取 als ror 第一个 实现 eject dom sar node
原文地址：http://www.cnblogs.com/geewonii/p/7138746.html
