基于superagent 与 cheerio 的node简单爬虫

最近重新玩起了node，便总结下基本的东西，在本文中通过node的superagent与cheerio来抓取分析网页的数据。

目的 

superagent 抓取网页

cheerio 分析网页

准备

Node（我的6.0）

三个依赖， express（4X），superagent 和 cheerio。

文档参考

superagent(http://visionmedia.github.io/superagent/ ) 是个 http 方面的库，可以发起 get 或 post 请求。

cheerio(https://github.com/cheeriojs/cheerio )为服务器特别定制的，快速、灵活、实施的jQuery. 用来从网页中以 css selector 取数据，使用方式跟 jquery 一样。

代码

那么我将抓取自己博客的数据。（有兴趣的朋友可以锦上添花一下，用正则筛选阅读数不少于400的文章.）

 

var express = require('express');
var superagent = require('superagent');
var cheerio = require('cheerio');

var app = express();
app.get('/', function (req, res, next) {
    superagent.get('http://www.cnblogs.com/LIUYANZUO')
        .end(function (err, sres) {
            if (err) {
                return next(err);
            }
            // sres.text 里面存储着网页的 html 内容，将它传给 cheerio.load 之后
            // 就可以得到一个实现了 jquery 接口的变量，我们习惯性地将它命名为 `$`
            // 剩下就都是 jquery 的内容了
            var $ = cheerio.load(sres.text);
            var items = [];
            $('.day .postTitle2').each(function (index, element) {
                var $element = $(element);
                items.push({
                    标题: $element.text(),
                    网址: $element.attr('href')
                });
            });
            res.send(items);
        });
});

app.listen(4000, function () {
    console.log('app is listenling at port 4000');
});

 

在命令行运行，得到截图

当然这是最简单的，下一篇我想介绍下node的异步并发。