使用node.js爬取博客园首页的博客

一个简单的博客园爬虫

声明：本人第一次写博客，文中有什么错误之处还请指出，本例本着学习的精神，拿博客园做了一个例子，也不知道博客园有没有这块的规定，如有不当之处，望海涵！

分析页面

1、首先打开博客园首页https://www.cnblogs.com/，按F12或Ctrl+Shift+I，然后打开network（网络）选项卡，连续翻页，分析翻页数据，发现翻页通过AJAX获取数据。

 2、获取PostList.aspx的URL。

3、不同的页面请求的文件相同，那么服务器怎么知道应该返回哪个页面的数据？答案是根据AJAX发送到服务器的数据不同。

只要改变PageIndex的值就能获取到不同的页面数据了。

4、分析DOM元素。

确定开发工具

本例使用node.js自带的http模块和第三方superagent、cheerio模块。

 新建并进入项目文件夹，安装模块。

npm install superagent
npm install cheerio

SuperAgent使用文档

简书         https://www.jianshu.com/p/1432e0f29abd

官方         http://visionmedia.github.io/superagent

cheerio使用文档

简书        https://www.jianshu.com/p/629a81b4e013

官方        https://cheerio.js.org/

开始coding

1、新建index.js文件。

2、本人水平有限，感觉异步IO会打乱写入文件的顺序，所以每个页面写入完成再继续访问下一个页面。

//引入核心模块
const fs = require('fs');
//引入第三方模块
const superagent = require('superagent');
const cheerio = require('cheerio');

let i=1;//页数
getURLDataAndWriteFile(i);

/**
 * @description desc 获取页面数据并写入到文件
 * @param i desc 页数
 */
function getURLDataAndWriteFile(i){
    superagent.post("https://www.cnblogs.com/mvc/AggSite/PostList.aspx")
        .send({CategoryId: 808,     //发送数据到服务器
            CategoryType: "SiteHome",
            ItemListActionName: "PostList",
            PageIndex: i,           //根据i获取相应的页面数据
            ParentCategoryId: 0,
            TotalPostCount: 4000})
        .end((error,response)=>{    //页面访问失败返回error，response为服务器返回的数据
            if(error){
                console.log(`访问第${i}页失败！`+error);
            }else{
                //调用函数，并以键值对的形式
                let blogList = {[i]:getBlogList(response)};
                //追加数据到blog-list.txt文件，如果不存在则创建
                //blogList为JSON对象，要把它转换为字符串
                fs.appendFile("blog-list.txt",JSON.stringify(blogList),function(error){
                    if(error){
                        console.log(`第${i}页数据写入文件失败！${error}`)
                    }else{
                        console.log(`第${i}页数据写入文件成功！`);
                        //爬取200页
                        if(++i<=200){
                            //再次调用该函数
                            getURLDataAndWriteFile(i);
                        }
                    }
                });
                
            }
        });
}
/**
 * @description desc 获取一个页面的博客标题、链接、概要等等
 * @param response desc 服务器返回的数据
 * @return Array 返回博客列表的数组 
 */
function getBlogList(response){
    let blogList = [];        //新建空列表，用来放一个页面的博客
    let $ = cheerio.load(response.text);
    //获取所有class="post_item_body"的元素，然后遍历每一个元素
    $('.post_item>.post_item_body').each((index,element)=>{
        //用键值对存放数据
        let blog = {
            //trim()方法用于删除字符串的头尾空格
            link:$(element).find('.titlelnk').attr('href').trim(),
            title:$(element).find('.titlelnk').text().trim(),
            summary:$(element).find('.post_item_summary').text().trim(),
            author:$(element).find('.lightblue').text(),
            time:$(element).find('.post_item_foot').clone().children().remove().end().text().trim(),
            comment:$(element).find('.article_comment>.gray').text().trim(),
            view:$(element).find('.article_view>.gray').text().trim()
        }
        //添加到数组尾部
        blogList.push(blog);
    });
    return blogList;
}

3、测试

进入项目文件夹，后输入

node ./index.js

一个简单的node.js爬虫就完成了。