node爬虫

node是服务器端的语言，所以可以像python一样对网站进行爬取，下面就使用node对博客园进行爬取，得到其中所有的章节信息。

第一步： 建立crawl文件，然后npm init。

第二步： 建立crawl.js文件，一个简单的爬取整个页面的代码如下所示：

var http = require("http");var url = "http://www.cnblogs.com";http.get(url, function (res) {    var html = "";    res.on("data", function (data) {        html += data;    });    res.on("end", function () {        console.log(html);    });}).on("error", function () {    console.log("获取课程结果错误！");});

即引入http模块，然后利用http对象的get请求，即一旦运行，相当于node服务器端发送了一个get请求请求这个页面，然后通过res返回，其中on绑定data事件用来不断地接受数据，最后end时我们就在后台打印出来。

这只是整个页面的一部分，我们可以在此页面审查元素，发现确实是一样的

我们只需要将其中的章节title和每一小节的信息爬到即可。

第三步： 引入cheerio模块，如下：（在gitbash中安装即可，cmd总是出问题）

cnpm install cheerio --save-dev

这个模块的引入，就是为了方便我们操作dom，就像jQuery一样。

第四步： 操作dom，获取有用信息。

var http = require("http");var cheerio = require("cheerio");var url = "http://www.cnblogs.com";function filterData(html) {    var $ = cheerio.load(html);     var items = $(".post_item");    var result = [];    items.each(function (item) {        var tit = $(this).find(".titlelnk").text();        var aut = $(this).find(".lightblue").text();        var one = {            title: tit,            author: aut        };        result.push(one);    });    return result;}function printInfos(allInfos) {    allInfos.forEach(function (item) {        console.log("文章题目  " + item["title"] + '\n' + "文章作者  " + item["author"] + '\n'+ '\n');    });}http.get(url, function (res) {    var html = "";    res.on("data", function (data) {        html += data;    });    res.on("end", function (data) {        var allInfos = filterData(html);        printInfos(allInfos);    });}).on("error", function () {    console.log("爬取博客园首页失败")});

即上面的过程就是在爬取博客的题目和作者。

最终后台输出如下：

这和博客园首页的内容是一致的：