Node.js爬虫--网页请求模块

注：如您下载最新的nodegrass版本，由于部分方法已经更新，本文的例子已经不再适应，详细请查看开源地址中的例子。
一、为什么我要写这样一个模块？

源于笔者想使用Node.js写一个爬虫，虽然Node.js官方API提供的请求远程资源的方法已经非常简便，具体参考

http://nodejs.org/api/http.html 其中对于Http的请求提供了，http.get(options, callback)和http.request(options, callback)两个方法，

看方法便知，get方法用于get方式的请求，而request方法提供更多的参数，例如其它请求方式，请求主机的端口等等。对于Https的请求于Http类似。一个最简单的例子：

 

 1 var https = require('https');
 2 
 3 https.get('https://encrypted.google.com/', function(res) {
 4   console.log("statusCode: ", res.statusCode);
 5   console.log("headers: ", res.headers);
 6 
 7   res.on('data', function(d) {
 8     process.stdout.write(d);
 9   });
10 
11 }).on('error', function(e) {
12   console.error(e);
13 });

对于以上代码，我们无非就是想请求远程主机，得到响应信息，例如响应状态，响应头，响应主体内容。其中get方法的第二个参数是一个回调函数，我们异步的获取响应信息，然后，在该回调函数中，res对象又监听data，on方法中第二个参数又是一个回调，而你得到d（你请求到的响应信息）后，很可能在对它进行操作的时候再次引入回调，一层层下去，最后就晕了。。。对于异步方式的编程，对于一些习惯同步方式写代码的同学是非常纠结的，当然国内外已经对此提供了一些非常优秀的同步类库，例如老赵的Wind.js......好像有点扯远了。其实，我们调用get最终要得到的无非就是响应信息，而不关心res.on这样的监听过程，因为太懒惰。不想每次都res.on('data',func)，于是诞生了今天我要介绍的nodegrass。

 

二、nodegrass请求资源，像Jquery的$.get(url,func)

一个最简单的例子：

 

 var nodegrass = require('nodegrass');
2 nodegrass.get("http://www.baidu.com",function(data,status,headers){
3     console.log(status);
4     console.log(headers);
5     console.log(data);
6 },'gbk').on('error', function(e) {
7     console.log("Got error: " + e.message);
8 });

咋一看，和官方原来的get没啥区别，确实差不多=。=！只不过少了一层res.on('data',func)的事件监听回调而已。不管你信不信，反正我看上去感觉舒服多了，第二个参数同样是一个回调函数，其中的参数data是响应主体内容，status是响应状态，headers是响应头。得到响应内容，我们就可以对得到的资源提取任何我们感兴趣的信息啦。当然这个例子中，只是简单的打印的控制台而已。第三个参数是字符编码，目前Node.js不支持gbk，这里nodegrass内部引用了iconv-lite进行了处理，所以，如果你请求的网页编码是gbk的，例如百度。只需加上这个参数就行了。

 

那么对于https的请求呢？如果是官方api，你得引入https模块，但是请求的get方法等和http类似，于是nodegrass顺便把他们整合在一块了。看例子：

 

 var nodegrass = require('nodegrass');
2 nodegrass.get("https://github.com",function(data,status,headers){
3     console.log(status);
4     console.log(headers);
5     console.log(data);
6 },'utf8').on('error', function(e) {
7     console.log("Got error: " + e.message);
8 });

 

nodegrass会根据url自动识别是http还是https，当然你的url必须得有，不能只写www.baidu.com/而需要http://www.baidu.com/。

 

对于post的请求，nodegrass提供了post方法，看例子：

 

 

var ng=require('nodegrass');
ng.post("https://api.weibo.com/oauth2/access_token",function(data,status,headers){
    var accessToken = JSON.parse(data);
    var err = null;
    if(accessToken.error){
         err = accessToken;
    }
    callback(err,accessToken);
    },headers,options,'utf8');

 

以上是新浪微博Auth2.0请求accessToken的一部分，其中使用nodegrass的post请求access_token的api。

post方法相比get方法多提供了headers请求头参数，options--post的数据，它们都是对象字面量的类型：

 

 1 var headers = {
 2         'Content-Type': 'application/x-www-form-urlencoded',
 3         'Content-Length':data.length
 4     };
 5 
 6 var options = {
 7              client_id : 'id',
 8          client_secret : 'cs',
 9          grant_type : 'authorization_code',
10          redirect_uri : 'your callback url',
11          code: acode
12     };

 

三、利用nodegrass做代理服务器？……**

看例子：

 

var ng = require('nodegrass'),
     http=require('http'),
     url=require('url');

     http.createServer(function(req,res){
        var pathname = url.parse(req.url).pathname;
        
        if(pathname === '/'){
            ng.get('http://www.cnblogs.com/',function(data){
                res.writeHeader(200,{'Content-Type':'text/html;charset=utf-8'});
                res.write(data+"\n");
                res.end();
                },'utf8');
            }
     }).listen(8088);
     console.log('server listening 8088...');

 

 就这么简单，当然代理服务器还有复杂的多，这个不算是，但至少你访问本地8088端口，看到的是不是博客园的页面呢？

nodegrass的开源地址：https://github.com/scottkiss/nodegrass