node 爬虫 根据目录自动存写入文档
本案例以小说网站为案例
需要 用到的模块有 fs,patn 用来操作文件,使用selenium-web来操作浏览器。(如果对改插件不太了解和使用可以看我另一篇文章 node 使用selenium 爬取页面数据(node爬虫) 有具体介绍如何安装和使用)
其中 selenium-webdriver 模块是需要自己安装一下的。
npm i selenium-webdriver
通过指定的浏览器打开
var driver = new Builder().forBrowser('firefox').build();
在用浏览器进入指定地址,并获取所有章节的标签
进入章节详情获取数据
把获取的数据存入指定文档,并循环其它章节
下面是全部操作代码
const fs = require('fs')
const path = require('path')
let file = path.resolve(__dirname, './file.txt'); //存入文件位置
const {
Builder,
By,
Key,
until
} = require('selenium-webdriver');
var currentPageNum = 1; //第一章节
var maxPageNum = 2059; //最大章节数
var driver = new Builder().forBrowser('firefox').build();
var list = []
start()
async function start() {
await driver.get('https://www.xbiquge.la/34/34525/'); //小说 目录首页
let listLength = await driver.findElements(By.css('.box_con dl dd')); //获取小说所有章节的标签
maxPageNum = listLength.length; //更新最大章节数
inWeb(); //进入小说章节页面
};
async function inWeb() {
console.log(`当前正在获取第${currentPageNum}页数据,共${maxPageNum}页`)
if (currentPageNum < maxPageNum + 1) {
console.log("------------开始点击 进入文章-------------")
let pageItem = await driver.findElements(By.css('.box_con dl dd'));
let item = await pageItem[currentPageNum - 1].findElement(By.css("a")) //根据章节数进入小说页面
let href = await item.getAttribute("href")
await driver.get(href); //小说 内容页面 通过a标签的href地址进入
// item.click();//点击事件来进入页面
setTimeout(() => {
getData(); //获取小说数据
}, 200); //增加延迟时间给页面加载,如果没有加载完成无法获取元素
}
}
async function getData() {
while (true) {
let notError = true;
try { //更具css样式获取对应内容
let title = await driver.findElement(By.css('.bookname h1'));
let text = await driver.findElement(By.id("content"));
title = await title.getText(); //标题
text = await text.getText(); //内容
currentPageNum++; //获取内容后增加章节数
let str = "\n" + title + "\n" + text
// 异步写入数据到文件
fs.appendFile(file, str, { //把获得的章节名称和内容写入文档
encoding: 'utf8'
}, err => {})
if (currentPageNum < maxPageNum + 1) { //如果章节数没有达到最大章节数就继续爬取数据
start()
}
} catch (error) {
if (e) notError = false
console.log("error ------------", error.message);
} finally {
if (notError) break;
}
}
}
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 没有源码,如何修改代码逻辑?
· NetPad:一个.NET开源、跨平台的C#编辑器
· PowerShell开发游戏 · 打蜜蜂
· 凌晨三点救火实录:Java内存泄漏的七个神坑,你至少踩过三个!