使用NodeJs，实现数据抓取

学习笔记

前言

近期做一个数据抓爬工具，最开始使用的是C#控制台应用，同时正则表达式去过滤数据，看着还行，可每次运行都依附于.net framework很是不爽，于是想整点其他的方法。本人还是比较喜欢javascript的，思来想去决定用服务器端的javascript来试试！

环境、工具准备

1、[必装] 安装nodejs，下载最新nodejs，点击此处

2、[选装] 安装iisnode，以及rewrite，因为我是以IIS作为Server，所以用到了这2个IIS的拓展插件，假如仅仅只是cmd控制台运行node则这第二项忽略

3、附加信息：当安装成功之后，在IIS下回出现URL重写这么个东东

　　

范例实现

我以一个小小的案例来实现这么个功能，咱们去抓下面这个站点的数据测试一下：http://www.jj59.com/

1、抓列表，http://www.jj59.com/jingpinwenzhang/list_68_3.html

2、抓详情，http://www.jj59.com/jingpinwenzhang/082919.html

原网站截图如下：

 

接下来我要做的就是

1、将指定页的列表页中文章的标题与对应链接过滤出来，然后返回json数组

2、将详情页文章标题，作者，创建时间，内容过滤出来，然后返回json对象

具体nodejs代码于运行结果

var http = require('http');
var _url = require('url');    //引用url模块，处理url地址相关操作
var cheerio = require("cheerio");    //引用cheerio模块,使在服务器端像在客户端上操作DOM,不用正则表达式
var iconv = require('iconv-lite');    //解决编码转换模块
var BufferHelper = require('bufferhelper');    //关于Buffer我后面细说
/*
 *最后我需要达到的效果是，给予一个访问地址，形如：http://www.mynode.com?link=www.abc.com&callback=cb
 *我希望可以返回json，也可返回jsonp
*/

http.createServer(function (req, res) {
    var arg = _url.parse(req.url, true).query;    //通过调用url模块，获取查询字符串参数集合
    var link = arg.link;    //获取抓取的link
    var callback = arg.callback;    //回调函数的名称
    //若没有对link加上http，则补全
    var protocol = "http";
    if (link.indexOf("http") < 0) {
        link = protocol + "://" + link;
    }
    //抓取页面
    download(link, function (data) {
        res.writeHead(200, {
            "Content-Type": "text/html;charset=utf-8",
            "Transfer-Encoding": "chunked"
        });
        var doc = data.toString();
        var $ = cheerio.load(doc);
        var list = [];
        $(".e2 li .title").each(function (i, e) {
            var item = $(e).children("a").last();
            var title = item.text();
            var link = item.attr("href");
            list.push({ "title": title, "link": link });
        });
        var jsonText = JSON.stringify(list);
        if (callback) {
            res.write(callback + "(" + jsonText + ")");
        }
        else {
            res.write(jsonText);
        }
        res.end();
    });
}).listen(process.env.PORT);

//加载第三方页面
function download(url, callback) {
    http.get(url, function (res) {
        var bufferHelper = new BufferHelper();    //解决中文编码问题
        res.on('data', function (chunk) {
            bufferHelper.concat(chunk);
        });
        res.on("end", function () {
            //注意，此编码必须与抓取页面的编码一致，否则会出现乱码，也可以动态去识别
            var val = iconv.decode(bufferHelper.toBuffer(), 'gb2312');    
            callback(val);
        });
    }).on("error", function () {
        callback(null);
    });
}

1、列表页json列表

请求的url:http://myurl?link=http://www.jj59.com/jingpinwenzhang/list_68_3.html&callback=cb

cb([{"title":"流金岁月 书香伴行","link":"http://www.jj59.com/jingpinwenzhang/096929.html"},{"title":"奋斗书写无悔青春","link":"http://www.jj59.com/jingdianmeiwen/088963.html"},{"title":"如果他喜欢你，就不会暧昧不清；如果他不再联系你，别为他找理由","link":"http://www.jj59.com/jingpinwenzhang/082919.html"},{"title":"月下彷徨，你已不复当年模样","link":"http://www.jj59.com/jingdianmeiwen/082295.html"},{"title":"话糙理不糙的农家话（4）","link":"http://www.jj59.com/jingpinwenzhang/080410.html"},{"title":"浮生若梦，掩袖一笑弹指间","link":"http://www.jj59.com/jingdianmeiwen/078491.html"},{"title":"转瞬柔，似是非","link":"http://www.jj59.com/jingpinwenzhang/078002.html"},{"title":"春天","link":"http://www.jj59.com/jingdianmeiwen/077439.html"},{"title":"当生活的“美”成为一种遗憾","link":"http://www.jj59.com/jingdianmeiwen/074365.html"},{"title":"中秋节的起源、食俗、古诗佳句","link":"http://www.jj59.com/jingpinwenzhang/043440.html"}])

2、详情页json对象

请求的url:http://myurl?link=http://www.jj59.com/jingpinwenzhang/082919.html&callback=cb

cb({"title":"如果他喜欢你，就不会暧昧不清；如果他不再联系你，别为他找理由","date":"2011-05-12","auth":"午夜未殇","content":"　　1、如果他被动矜持。\r\n　　\r\n　　“也许他不想破坏我们的友谊”\r\n　　\r\n　　“也许他害羞”“也许他自卑”\r\n　　\r\n　　“也许他只是不知道怎么联络我”……\r\n　　\r\n　　Gerg说，在整个人类历史进程中，\r\n　　\r\n　　任何一个男的都会为了接近你而不在乎断送“友情”，\r\n　　\r\n　　他也不可能因为害羞和自卑而害怕得不敢追你，\r\n　　\r\n　　他唯一“害怕”的只是他对你是那么的“无动于衷”，\r\n　　\r\n　　他不会不知道怎么联络你，手机，email，IM，SNS，twitter……\r\n　　\r\n　　他可以动用他的眼睛、嘴巴、大脑、关系网、google找到你——除非他不想找到你。\r\n　　\r\n　　也许有人提倡这已经不是石器时代了，\r\n　　\r\n　　女孩子去主动追求看上的人吧，\r\n　　\r\n　　但是相信真正喜欢你的人一定不会让你费尽周折去找他——因为他会主动送上门来。\r\n　　\r\n　　2、如果他答应你的事却没有做到，哪怕那只是一个电话。\r\n　　\r\n　　“他真的很忙所以忘了”“至少他真的与我道歉了”……他很忙，\r\n　　\r\n　　即将就任美国总统，一个小时好几亿的生意要谈，忙得快疯了，\r\n　　\r\n　　一天根本抽不出时间与你打电话，忙得真疯呀。\r\n　　\r\n　　有手机、有快速拨号、甚至有语音拨号，\r\n　　\r\n　　有时压根没想打电话，电话就从裤兜里拨出去了，\r\n　　\r\n　　为什么没有时间打电话。\r\n　　\r\n　　如果真的喜欢你就不会忘记，如果忘记说明他不在乎你失望。\r\n　　\r\n　　“忙”就是恋爱上的大规模杀伤性武器，是“混蛋”的同义词，\r\n　　\r\n　　混蛋就是用忙敷衍你的那个人。\r\n　　\r\n　　——（心智健全的）男人知道什么叫“轻重缓急”，至于道歉？\r\n　　\r\n　　噢，没有时间听他胡说八道。\r\n　　\r\n　　3、如果他暧昧不清。\r\n　　\r\n　　“他以前受过伤”“他现在生活很混乱”\r\n　　\r\n　　“他刚刚分手/离婚，他想慢慢来”“他习惯了自由”……\r\n　　\r\n　　这些全是都市神话，用来对付男人不喜欢的女孩，\r\n　　\r\n　　如果他喜欢你，就不会暧昧不清，就会昭告天下对你的所有权，\r\n　　\r\n　　他不愿意见你的朋友和家人，\r\n　　\r\n　　说因为是和你在一起而不是要和***谈恋爱，\r\n　　\r\n　　他不愿意带你走进他的圈子，说因为这只是两个人的事，\r\n　　\r\n　　如果他用以上种种借口解释你们之间的暧昧，\r\n　　\r\n　　那么请自动翻译成“我只想用你来消磨时间”“我不太喜欢你”。\r\n　　\r\n　　4、如果他不愿意与你太亲近。\r\n　　\r\n　　Gerg说得无比直接，\r\n　　\r\n　　“我是男人，如果我喜欢你，我就吻你，会想看你穿内衣和不穿内衣的样子。”，\r\n　　\r\n　　虽然觉得很囧很寒，但是想想也是实话吧，\r\n　　\r\n　　如果喜欢你就应该是喜欢你的内在和外在，\r\n　　\r\n　　难道你要一个喜欢你的人与你说“我很爱你，让我成为你的心灵之友吧”……\r\n　　\r\n　　我估计柏拉图他老人家也不会这么说。\r\n　　\r\n　　5、如果他背叛你。\r\n　　\r\n　　“他喝多了”“那只是偶尔出现的意外”“他是不小心的”……\r\n　　\r\n　　Gerg说得很对，背叛没有借口。\r\n　　\r\n　　背叛这种事情是不会“不小心就发生”的，\r\n　　\r\n　　他不可能说“噢，我不小心摔了一跤，正好摔到别人床上去了。”\r\n　　\r\n　　明知会破坏恋爱中的规矩还要去实施，\r\n　　\r\n　　你应该直接把他甩掉，最糟糕的是有人可能因此怀疑自己的魅力，\r\n　　\r\n　　是不是应该整容是不是应该减肥，\r\n　　\r\n　　Gerg说得很酷：“你需要减掉的不是20磅，\r\n　　\r\n　　而是175磅——你那没出息的男朋友的体重。”\r\n　　\r\n　　6、如果他都喝得醉醺醺才来找你。\r\n　　\r\n　　他酗酒、或者吸毒（这个在国内应该不普遍），\r\n　　\r\n　　而不愿意为你改变，那么就该离开，因为长远的生活是需要清醒的。\r\n　　\r\n　　7、如果时机成熟但他依然不想结婚。\r\n　　\r\n　　“也许是我思想太不开放”“他受到童年家庭阴影”“他还没准备好”……\r\n　　\r\n　　许多男人、女人、心理学家、社会学家、人类学家、女权主义者...\r\n　　\r\n　　都可以滔滔不绝的进行一场批判婚姻制度的讲座，\r\n　　\r\n　　告诉你婚姻是落后的制度是古老的财务契约，\r\n　　\r\n　　可是很抱歉，首先你要搞清楚“不想结婚”可能仅仅意味着“不想和你结婚”，\r\n　　\r\n　　那些说“不想结婚”人最后一定会结婚，只是不是和你。\r\n　　\r\n　　8、如果他不断的与你分手，然后又来找你和好。\r\n　　\r\n　　首先请保持风度，不要再打电话传简讯给他，如果分手，那就是分手。\r\n　　\r\n　　你不要觉得只要他回来找你，你就可以继续跟他聊天、见面、看电影，\r\n　　\r\n　　为他做饭、买礼物、刻CD、喂鱼，问候他的父母和朋友，\r\n　　\r\n　　偷用他的语音信箱查询他的通话记录。。。。。\r\n　　\r\n　　真正喜欢你的人不会要和你分手，不会翻来覆去的折腾你，\r\n　　\r\n　　所以麻烦你清醒点，除非你想成为悠悠球冠军小姐。\r\n　　\r\n　　9、如果他突然莫名其妙的消失了。\r\n　　\r\n　　不要花费巨大的精力来解决“失踪男人之谜”，\r\n　　\r\n　　无论你找出了各种各样可以安慰自己的证据和借口，\r\n　　\r\n　　唯一的事实是，他不再想和你在一起，\r\n　　\r\n　　并且没有胆量和你说清楚。\r\n　　\r\n　　请相信，没有什么秘密——他配不上你。\r\n　　\r\n　　10、如果他是已婚。\r\n　　\r\n　　没什么好说的，至少在他离婚之前。\r\n　　\r\n　　如果你还想不通，那么大概应该报警——有人把大脑丢了。\r\n　　\r\n　　有时我们宁愿相信一个男人太害怕、太紧张、太自卑、太圣洁、\r\n　　\r\n　　太爱前女友、太敏感、太恋母、太忙、童年阴影太多、\r\n　　\r\n　　家庭压力太大、太累、太疯、晒得太黑、太有自杀倾向……\r\n　　\r\n　　却不愿意看清很简单的事实，\r\n　　\r\n　　是的，他不是太忙，不是受过伤，\r\n　　\r\n　　不是有童年阴影，不是遇到了地震洪水，\r\n　　\r\n　　不是要就任美国总统，不是脑震荡得了短暂性失忆，\r\n　　\r\n　　不是手机掉进了火锅，他不是有健忘症，\r\n　　\r\n　　他也不是死了——他只是没有那么喜欢你而已。\r\n　　\r\n　　"})

总结

1、通过使用nodejs实现抓数据，发现就是不一样，就像原始的用javascript操作DOM一样方便，这得益于模块cheerio，它是nodejs特别为服务器定制，快速灵活实施的Jquery核心实现。cheerio工作于DOM模型上，且解析、操作、呈送都很高效，据基准测试：cheerio大约比JsDom快8倍。

cheerio的使用：

//方式一
var cheerio = require("cheerio");
var $ = cheerio.load(doc);
$("p").attr("id","test");

//方式二
var $= require("cheerio");
$("p").attr("id","test");

2、另外一个就是iconv-lite，它的作用就是解决编码问题，可以认为是一种标准字符集转换接口，用于在不同字符集编码之间进行转换，注意：nodejs自带的toString()方法是不能解决中文编码问题的。
官方资料：iconv-lite支持的编码包括node.js原生编码：utf8, ucs2, ascii, binary, base64；同时支持广泛使用的单字节编码：Windows 125x family, ISO-8859 family, IBM/DOS codepages, Macintosh family, KOI8 family, latin1, us-ascii；多字节编码：gbk, gb2313, Big5, cp950。

iconv-lite的使用：

var iconv = require('iconv-lite');
//将nodejs的原生编码转换成其他编码
var val = iconv.decode(bufferHelper.toBuffer(), 'gb2312');

 3、在做字符处理，特别是GB2312，GBK格式，例如GBK格式英文占用1个字节，汉字占2个字节，当执行ondata时，匿名函数的参数chunk其实是一个Buffer对象，如下代码：

res.on('data', function (chunk) {
            bufferHelper.concat(chunk);
});

当你换成用result+=chunk时，其实隐式的将chunk做了toStrinig()处理，于是到了最后，不管你用下面哪种方式都会报错
1.var iconv = new Iconv('GBK', 'UTF-8'); iconv.convert(result).toString(); 

2.iconv.decode(result , 'gb2312');

原因：你对Buffer对象做了加法操作，字符截断，导致解码出错。

bufferhelper的使用：

var BufferHelper = require('bufferhelper');
var bufferHelper = new BufferHelper();
bufferHelper.concat(chunk);

结束，睡觉

------如果你觉得此文对你有所帮助，别忘了点击下右下角的推荐咯，谢谢！------