【原】小玩node+express爬虫-1

最近开始重新学习node.js，之前学的都忘了。所以准备重新学一下，那么，先从一个简单的爬虫开始吧。

什么是爬虫

百度百科的解释：

爬虫即网络爬虫，是一种自动获取网页内容的程序。是搜索引擎的重要组成部分，因此搜索引擎优化很大程度上就是针对爬虫而做出的优化。

通俗一点讲：

把别人网站的信息给弄下来，弄到自己的电脑上。然后再做一些过滤，比如筛选啊，排序啊，提取图片啊，链接什么的。获取你需要的信息。

如果数据量很大，而且你的算法又比较叼，并且可以给别人检索服务的话，那么你的爬虫就是一个小百度或者小谷歌了

什么是robots协议

   了解完什么是爬虫之后，我们再来了解一下爬虫的协议了，也就是哪些东西才已去爬。

    Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。　

   robots.txt文件是一个文本文件，它是一个协议，而不是一个命令。它是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。

    当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；

如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议，仅当您的网站包含不希望被搜索引擎收录的内容时，才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。

    如果将网站视为酒店里的一个房间，robots.txt就是主人在房间门口悬挂的“请勿打扰”或“欢迎打扫”的提示牌。这个文件告诉来访的搜索引擎哪些房间可以进入和参观，哪些房间因为存放贵重物品，或可能涉及住户及访客的隐私而不对搜索引擎开放。但robots.txt不是命令，也不是防火墙，如同守门人无法阻止窃贼等恶意闯入者。

环境搭建

需要的环境：node环境

需要安装的东西： express、require、cheerio

可以在这里找到模块的用法：https://www.npmjs.com，直接输入模块名字即可，比如：require

1、express这里就不做介绍了，中文网址在这里，可以查看：http://www.expressjs.com.cn/

2、request模块让http请求变的更加简单。最简单的一个示例：

var request = require('request');
request('http://www.google.com', function (error, response, body) {
    if (!error && response.statusCode == 200) {
      console.log(body);
    }
})

安装：npm install request

3、cheerio 是为服务器特别定制的，快速、灵活、实施的jQuery核心实现。

通过cheerio,我们就可以将抓取到的内容，像使用jquery的方式来使用了。可以点击这里查看：https://cnodejs.org/topic/5203a71844e76d216a727d2e

var cheerio = require('cheerio'),
$ = cheerio.load('<h2 class="title">Hello world</h2>');
$('h2.title').text('Hello there!');

安装：npm install cheerio

爬虫实战

假设你的电脑里已经安装好了node和express。那么我们现在开始进行我们的爬虫小程序：

1、首先随便进入一个硬盘，假如是F盘，cmd环境下执行： express mySpider

    然后你发觉你的F盘上多了一个 mySpider的文件夹和一些文件，进入文件，cmd下执行  npm install

 

2、然后安装我们的require ==》npm install require --save 、再安装我们的cheerio==》npm install cheerio --save

 

3、安装好后，执行npm start,如果想监听窗口的变化，可以执行：supervisor start app.js，然后在浏览器输入：localhost:3000，这样我们就可以在浏览器看到express的一些欢迎语啊什么的

 

4、打开app.js文件，你会发觉里面有一大堆东西，因为是爬虫小程序嘛，所以都是不需要滴，删，在express的API里有这段代码，粘贴在app.js里面

app.js

var express = require('express');
var app = express();

app.get('/', function(req, res){
  res.send('hello world');
});

app.listen(3000);

 

5、我们的require登场了。继续修改一下app.js改为：

var express = require('express');
var app = express();
var request = require('request');

app.get('/', function(req, res){
  request('http://www.cnblogs.com', function (error, response, body) {
    if (!error && response.statusCode == 200) {
       res.send('hello world');
    }
  })
});
app.listen(3000);

其中request的链接就是我们要爬的网址，加入我们要爬的是博客园的网站，所以输入的是博客园的网址

 

6、引入cheerio，来让我们可以操做爬到的网站的内容，继续修改一下app.js

var express = require('express');
var app = express();
var request = require('request');
var cheerio = require('cheerio');

app.get('/', function(req, res){
  request('http://www.cnblogs.com', function (error, response, body) {
    if (!error && response.statusCode == 200) {
      //返回的body为抓到的网页的html内容
      var $ = cheerio.load(body); //当前的$符相当于拿到了所有的body里面的选择器
      var navText=$('.post_nav_block').html(); //拿到导航栏的内容
      res.send(navText);
    }
  })
});
app.listen(3000);

我们抓到的内容都返回到了request的body里面。cheerio可以获取所有的dom选择器。假如我们要获取导航的内容：ul的class为：post_nav_block

 

 然后我们就可以将里面的内容显示出来了：

这个说明，我们的爬虫小程序就成功了。当然，这是一个简单的不能再简单的爬虫了。不过今天的文章就暂时介绍到这里，只是大概了解一下爬虫的过程而已。

接下来的第二篇文章会对这个爬虫进行升级，改版。比如异步啦，并发啦，定时去爬啦等等。

代码地址：https://github.com/xianyulaodi/mySpider