在imooc网上跟着老师写了两个爬虫,一个最简单的直接爬整个页面,一个完善版把章节标题和对应编号打出来了。
看完之后,自己也想写一个爬虫,用自己的博客做测试,虽然结果并没有很成功- -,还是把代码放上来。
目标是抓取章节的标题。
博客页面:
对应标签:
页面源代码:
经过分析,我们应该要抓取class=artHead的
上代码:
//引入http模块 var http = require('http'); //确定要抓取的页面 //debug:本来写了qmkkd.blog.51cto.com,一直出错,在前面加上http就好了。 var url = '';//这里的url是'http://qmkkd.blog.51cto.com';,博客显示不出来,有毒 //引入cherrio模块,类似服务器端的jquery var cheerio=require('cheerio'); function filterChapters(html){ //将html变成jquery对象 var $ = cheerio.load(html); var artHeads = $('.artHead'); var blogData=[]; artHeads.each(function(item){ var artHead = $(this); //获取文章标题 var artTitle = artHead.find('h4').children('a').text(); blogData.push(artTitle); }) return blogData; } function printBlogInfo(blogData){ blogData.forEach(function(item){ var artTitle = item; console.log(item+'\n'); }) } http.get(url,function(res){ var buffers=[]; var nread = 0; res.on('data',function(data){ buffers.push(data); nread+=data.length; }); //网上找到的处理中文乱码问题的方法,但好像没有解决T_T //之后还采用了bufferhelper类,好像也不对=-= //应该是基础不好的问题,暂时debug不了,先放着 res.on('end',function(){ var buffer =null; switch(buffers.length){ case 0:buffer=new Buffer(0); break; case 1:buffer=buffers[0]; break; default: buffer = new Buffer(nread); for(var i=0,pos=0,l=buffers.length;i另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
新闻标题:Node.js实现单页面爬虫-创新互联
网页网址:http://cdkjz.cn/article/pjoge.html