Node.js爬虫实战 - 爬你喜欢的
前言
今天没有什么前言，就是想分享些关于爬虫的技术，任性。来吧，各位客官，里边请...
开篇第一问：爬虫是什么嘞？
首先咱们说哈，爬虫不是“虫子”，姑凉们不要害怕。
爬虫 - 一种通过一定方式按照一定规则抓取数据的操作或方法。
开篇第二问：爬虫能做什么嘞？
来来来，谈谈需求
产品MM：
- 爱豆的新电影上架了，整体电影评价如何呢？
- 暗恋的妹子最近又失恋了，如何在她发微博的时候第一时间知道发了什么，好去呵护呢？
- 总是在看小说的时候点到广告？总是在看那啥的时候点出来，澳xx场又上线啦？
- 做个新闻类网站没有数据源咋办？
研发GG：
爬虫随时准备为您服务！
- 使用爬虫，拉取爱豆视频所有的评价，导入表格，进而分析评价
- 使用爬虫，加上定时任务，拉取妹子的微博，只要数据有变化，接入短信或邮件服务，第一时间通知
- 使用爬虫，拉取小说内容或xxx的视频，自己再设计个展示页，perfect！
- 使用爬虫，定时任务，拉取多个新闻源的新闻，存储到数据库
开篇第三问：爬虫如何实现嘞？
实现爬虫的技术有很多，如python、Node等，今天胡哥给大家分享使用Node做爬虫：爬取小说网站-首页推荐小说
爬取第一步-确定目标
目标网站：https://www.23us.so
我们要获取排行榜中六部小说的：书名、封面、以及小说书籍信息对应的地址(后续获取小说完整信息)
爬取第二步-分析目标特点
网页的内容是由HTML生成的，抓取内容就相当找到特定的HTML结构，获取该元素的值。
打开网页调试控制台，查看元素HTML结构。
注意观察页面HTML的结构，排行榜推荐的小说的HTML结构是
bdo#s-dd 元素
dd 子元素 - 每一部小说
a 目录信息
img 封面
a 小说名称
爬取第三步-弄丫的
工具善其事必先利其器，准备好趁手的兵器！
superagent
模拟客户端发送网络请求，可设置请求参数、header头信息
npm install superagent -D
cheerio
类jQuery库，可将字符串导入，创建对象，用于快速抓取字符串中的符合条件的数据
npm install cheerio -D
项目目录：
node-pachong/
- index.js
- package.json
- node_modules/
上代码：
// node-pachong/index.js
/**
* 使用Node.js做爬虫实战
* author: justbecoder <justbecoder@aliyun.com>
*/
// 引入需要的工具包
const sp = require('superagent');
const cheerio = require('cheerio');
// 定义请求的URL地址
const BASE_URL = 'http://www.23us.so';
// 1. 发送请求，获取HTML字符串
(async () => {
let html = await sp.get(BASE_URL);
// 2. 将字符串导入，使用cheerio获取元素
let $ = cheerio.load(html.text);
// 3. 获取指定的元素
let books = []
$('#s_dd dd').each(function () {
let info = {
link: $(this).find('a').eq(0).attr('href'),
name: $(this).find('a').eq(1).text(),
image: $(this).find('img').attr('src')
}
books.push(info)
})
console.log(books)
})()
友情提醒：每个网站的HTML结构是不一样，在抓取不同网站的数据时，要分析不同的解构，才能百发百中。
效果图：
获取到信息之后，做接口数据返回、存储数据库，你想干啥都行...
源码获取
关注胡哥有话说公众号，回复“爬虫”，即可获取源码地址。
后记
以上就是胡哥今天给大家分享的内容，喜欢的小伙伴记得收藏、转发、点击右下角按钮在看，推荐给更多小伙伴呦，欢迎多多留言交流...
胡哥有话说，一个有技术，有情怀的胡哥！京东开放平台首席前端攻城狮。与你一起聊聊大前端，分享前端系统架构，框架实现原理，最新最高效的技术实践！
长按扫码关注，更帅更漂亮呦！关注胡哥有话说公众号，可与胡哥继续深入交流呦！
