Mikel
[转载]基于node.js实现一个小小的爬虫 – imwtr – 博客园.
以前一直听说有爬虫这种东西，稍微看了看资料，貌似不是太复杂。
正好了解过node.js，那就基于它来个简单的爬虫。
1.本次爬虫目标：
从拉钩招聘网站中找出“前端开发”这一类岗位的信息，并作相应页面分析，提取出特定的几个部分如岗位名称、岗位薪资、岗位所属公司、岗位发布日期等。并将抓取到的这些信息，展现出来。
初始拉钩网站上界面信息如下：
2.设计方案：
爬虫，实际上就是通过相应的技术，抓取页面上特定的信息。
这里主要抓取上图所示岗位列表部分相关的具体岗位信息。
首先，抓取，就得先有地址url:
这个链接就是岗位列表的第一页的网页地址。
我们通过对地址的参数部分进行分析，先不管其他选择的参数，只看最后的参数值：pn=1
我们的目的是通过page来各个抓取，所以设置为pn = page;
其次，爬虫要获取特定信息，就需要特定代表的标识符。
这里采用分析页面代码标签值、class值、id值来考虑。
通过Firebug对这一小部分审查元素
分析得出将要获取哪些信息则需要对特定的标识符进行处理。
3.代码编写：
按照预定的方案，考虑到node.js的使用情况，通过其内置http模块进行页面信息的获取，另外再通过cheerio.js模块对DOM的分析，进而转化为json格式的数据，控制台直接输出或者再次将json数据传送回浏览器端显示出来。
（cheerio.js这东西的用法很简单，详情可以自行搜索一下。其中最主要的也就下边这份代码了，其余的跟JQuery的用法差不多。
就是先将页面的数据load进来形成一个特定的数据格式，然后通过类似jq的语法，对数据进行解析处理）
var cheerio = require('cheerio'),
$ = cheerio.load('
<h2 class="title">Hello world</h2>
');
$('h2.title').text('Hello there!');
$('h2').addClass('welcome');
$.html();
//=>
<h2 class="title welcome">Hello there!</h2>
采用express模块化开发，按要求建立好项目后。进入项目目录，执行npm install安装所需依赖包。如果还不了解express的可以 到这里看看
爬虫需要cheerio.js 所以另外require进来， 所以要另外 npm install cheerio
项目文件很多，为了简单处理，就只修改了其中三个文件。（index.ejs index.js style.css )
（1）直接修改routes路由中的index.js文件，这也是最核心的部分。
还是看代码吧，有足够的注释
var express = require('express');
var router = express.Router();
var http = require('http');
var cheerio = require('cheerio');
/* GET home page. */
router.get('/', function(req, res, next) {
res.render('index', { title: '简单nodejs爬虫' });
});
router.get('/getJobs', function(req, res, next) { // 浏览器端发来get请求
var page = req.param('page'); //获取get请求中的参数 page
console.log("page: "+page);
var Res = res; //保存，防止下边的修改
//url 获取信息的页面部分地址
var url = 'http://www.lagou.com/jobs/list_%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91?kd=%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91&spc=1&pl=&gj=&xl=&yx=&gx=&st=&labelWords=label&lc=&workAddress=&city=%E5%85%A8%E5%9B%BD&requestId=&pn=';
http.get(url+page,function(res){ //通过get方法获取对应地址中的页面信息
var chunks = [];
var size = 0;
res.on('data',function(chunk){ //监听事件 传输
chunks.push(chunk);
size += chunk.length;
});
res.on('end',function(){ //数据传输完
var data = Buffer.concat(chunks,size);
var html = data.toString();
// console.log(html);
var $ = cheerio.load(html); //cheerio模块开始处理 DOM处理
var jobs = [];
var jobs_list = $(".hot_pos li");
$(".hot_pos>li").each(function(){ //对页面岗位栏信息进行处理 每个岗位对应一个 li ,各标识符到页面进行分析得出
var job = {};
job.company = $(this).find(".hot_pos_r div").eq(1).find("a").html(); //公司名
job.period = $(this).find(".hot_pos_r span").eq(1).html(); //阶段
job.scale = $(this).find(".hot_pos_r span").eq(2).html(); //规模
job.name = $(this).find(".hot_pos_l a").attr("title"); //岗位名
job.src = $(this).find(".hot_pos_l a").attr("href"); //岗位链接
job.city = $(this).find(".hot_pos_l .c9").html(); //岗位所在城市
job.salary = $(this).find(".hot_pos_l span").eq(1).html(); //薪资
job.exp = $(this).find(".hot_pos_l span").eq(2).html(); //岗位所需经验
job.time = $(this).find(".hot_pos_l span").eq(5).html(); //发布时间
console.log(job.name); //控制台输出岗位名
jobs.push(job);
});
Res.json({ //返回json格式数据给浏览器端
jobs:jobs
});
});
});
});
module.exports = router;
（2）node.js抓取的核心代码就是上面的部分了。
下一步就是将抓取到的数据展示出来，所以需要另一个页面，将views中的index.ejs模板修改一下
<%= title %>
<h3>【nodejs爬虫】 获取拉勾网招聘岗位--前端开发</h3>
初始化完成 ...
<button id="btn0" class="btn">点击开始抓取第一页</button>
<div class="container">
<!--
<div class="jobs"></div>
-->
</div>
<div class="footer">
<p class="fetching">数据抓取中 ... 请稍后</p>
<button id="btn1" class="btn">抓取上一页</button>
<button id="btn2" class="btn">抓取下一页</button>
</div>
<script src="javascripts/jquery.min.js" type="text/javascript"></script><script type="text/javascript">// <![CDATA[
function getData(str){ //获取到的数据有杂乱..需要把前面部分去掉,只需要data（<em>......<em> data)
if(str){
return str.slice(str.lastIndexOf(">")+1);
}
}
document.getElementById("btn1").style.visibility = "hidden";
document.getElementById("btn2").style.visibility = "hidden";
var currentPage = 0; //page初始0
function cheerFetch(_page){ //抓取数据处理函数
if(_page == 1){
currentPage = 1; //开始抓取则更改page
}
$(document).ajaxSend(function(event, xhr, settings) { //抓取中...
$(".fetching").css("display","block");
});
$(document).ajaxSuccess(function(event, xhr, settings) { //抓取成功
$(".fetching").css("display","none");
});
$.ajax({ //开始发送ajax请求至路径 /getJobs 进而作页面抓取处理
data:{page:_page}, //参数 page = _page
dataType: "json",
type: "get",
url: "/getJobs",
success: function(data){ //收到返回的json数据
console.log(data);
var html = "";
$(".container").empty();
if(data.jobs.length == 0){
alert("Error2: 未找到数据..");
return;
}
for(var i=0;i<data.jobs.length;i++){ //遍历数据并提取处理
var job = data.jobs[i];
html += "
<div class='jobs'>
<span >岗位序号：</span> "+((i+1)+15*(currentPage-1))+"
"+
"
岗位名称：<a href='"+job.src+"'target='_blank'>"+job.name+"</a>
"+
"
<span >岗位所在公司：</span> "+job.company+"
"+
"
<span>公司阶段：</span> "+getData(job.period)+"
"+
"
<span>岗位规模：</span> "+getData(job.scale)+"
"+
"
<span>岗位所在城市：</span> "+job.city+"
"+
"
<span>岗位薪资：</span> "+getData(job.salary)+"
"+
"
<span>岗位最低经验要求：</span> "+getData(job.exp)+"
"+
"
<span>岗位发布时间：</span> "+getData(job.time)+"
"+
"</div>
"
}
$(".container").append(html); //展现至页面
if(_page == 1){
document.getElementById("btn1").style.visibility = "hidden";
document.getElementById("btn2").style.visibility = "visible";
}else if(_page > 1){
document.getElementById("btn1").style.visibility = "visible";
document.getElementById("btn2").style.visibility = "visible";
}
},
error: function(){
alert("Error1: 未找到数据..");
}
});
}
// ]]></script>
（3）当然了，也少不了样式部分的简单修改 public文件下的 style.css
body {
padding: 20px 50px;
font: 14px "Lucida Grande", Helvetica, Arial, sans-serif;
}
a {
color: #00B7FF;
cursor: pointer;
}
.container{position: relative;width: 1100px;overflow: hidden;zoom:1;}
.jobs{margin: 30px; float: left;}
.jobs span{ color: green; font-weight: bold;}
.btn{cursor: pointer;}
.fetching{display: none;color: red;}
.footer{clear: both;}
基本改动的也就这三个文件了。
所以，如果要测试一下的话，可以新建项目后，直接修改对应的那三个文件。
修改成功后，就可以测试一下了。
3.测试结果
1） 首先在控制台中执行 npm start
2) 接下来在浏览器输入http://localhost:3000/开始访问
3) 点击开始抓取(这里每次抓取15条，也就是原网址对应的15条）
…
4) 再抓取下一页也还是可以的~
5) 再来看看控制台的输出
看看看看…多简单的小爬虫呀..
简单归简单，最重要的是，知道了最基本的处理形式。
