最近看了慕课网的Nodejs课程，跟着做了一个基于nodejs开发的网页爬虫爬了我自己的博客文章列表，感觉挺有趣的，记录一下。

最终完成的效果如下：

nodejs-crawler
nodejs-crawler

主要步骤

先选择几个目录，根据目录链接，获取每个目录页面的HTML内容

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
// baseUrl用以拼接url
let baseUrl = 'http://blog.huqing.site'
// 选择以下三个目录
let categories = [
  '/categories/%E5%89%8D%E7%AB%AF-FrontEnd/',
  '/categories/%E5%B7%A5%E5%85%B7-Tools/',
  '/categories/%E7%AE%97%E6%B3%95-Algorithm/'
]
// 根据url获取HTML内容的方法
function getCatagory(url) {
  return new Promise((resolve, reject) => {
    console.log('正在爬取：' + url)
    http
      .get(baseUrl + url, res => {
        let data
        res.on('data', html => {
          data += html
        })
        res.on('end', () => {
          resolve(parseHtml(data))
        })
      })
      .on('error', error => {
        console.log('获取数据出错！')
        reject(error)
      })
  })
}

处理HTML获取需要的内容

这里使用到了cheerio这个库，使用方法几乎和jQuery一样

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
function parseHtml(html) {
  const $ = cheerio.load(html)
  let articles = $('.post-header')
  let parsedData = []
  articles.each(function () {
    let section =  $(this)
    let title = section.find('.post-title-link span').text()
    let time = section.find('.post-meta time').attr('content')
    let item = {
      title,
      time
    }
    parsedData.push(item)
  })
  return parsedData
}

当所有目录都遍历完成后，获取他们的resolve结果，并打印出来

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
// 输出信息的方法
function printInfo(data) {
  console.info('\n' + '标题：' + data.title + '\n' + '日期：' + data.time)
}
let articlesData = []
// 将每个promise存入总体状态的数据里
categories.forEach(url => {
  articlesData.push(getCatagory(url))
})
// 当所有目录遍历完结再一起处理
Promise.all(articlesData)
  .then(res => {
    res.forEach(item => {
      console.log('\n---------')
      item.forEach(info => {
        printInfo(info)
      })
    })
  })
  .catch(error => {
    console.log(error)
  })

总结

如果需要爬取的链接很多，可以先通过cheerio把目录列表中的目录内容获取到，分析其链接并保存
以上就是这个nodejs爬虫小项目的结构了，完整代码可以查看我的Github仓库