如何使用nodejs做爬虫程序

JavaScript022

如何使用nodejs做爬虫程序,第1张

作者：Mike Chen

链接：https://www.zhihu.com/question/31679802/answer/128390326

来源：知乎

著作权归作者所有，转载请联系作者获得授权。

首先楼主要使用nodejs作为语言或者平台来开发爬虫是没有任何问题的，反而nodejs的event io能够让你感觉到网络编程可以如此酣畅淋漓，一如http://nodejs.org 官网给出的http server 的例子，几行代码就能实现web服务，没有apache 没有tomcat也没有iis，只要设置一个回调，监听一个端口，你就可以使用浏览器访问了。

其次，爬虫是最明显的IO密集型应用场景，显然和擅长处理IO的nodejs是绝配，但是把它用好是需要一些功底的。如果你想要从头开发，不借助第三方框架，那么你需要对nodejs中的event emitter 及 http 模块有深入的了解，加上你的HTTP协议的知识，再到node平台中找到相应的实现方案，从而实现你要的功能。举个例子，使用http模块发送一个GET请求到百度，你需要弄清楚对req，也就是http.get的返回值，监听什么样的事件，http的头部信息和正文信息分别应该在什么阶段获取。在python中方法很直白，简简单单的用urllib来open一个链接，接着read就算完事儿，写到这里突然感觉可以理解之前那位仁兄认为的"不适合"，也许是觉得node 不如python的直白，又或许只是对node的理解不够到位，不好拿捏？

最后，如果楼主想要把node作为平台来开发爬虫，我建议直接从开源框架入手，立刻做出一些可用的程序来给自己一些正反馈，然后再慢慢学习体会。

       NodeJS做爬虫也是很方便的。因为nodejs有HTTP模块直接可以使用，而且还有很多简单粗暴的库可以即拿即用。       首先，需要的库文件，       1、superagent 是个轻量的的 http 方面的库，就像jquery的post，和get一样，很简单。       2、cheerio 是一个服务端操作DOM的库，简直就是服务端的jquery。     好的，我们需要抓取某个网站的题目。如下图。这个系统下，及时是游客状态也是可以查看题目的，只是答案我们看不到。会显示我没有登录。现在我们有个需求，先抓取15页，根据URL的参数可以页数就是地址中 的P。并且要有本地cookie，获取cookie的方法，最简单的是，利用浏览器登录网站之后，在控制台直接打印document.cookie，得到之后，复制进txt文本。用fs模块读取并转换成字符串。在superagent请求时，把cookie传进去。好了，控制台已经不输出“未登录”，说明已经登录成功了。