使用 superagent+cheerio 寫爬蟲

大數(shù)據(jù)

作者：?劉一奇

本文將會(huì)講解如何使用 superagent+cheerio 寫爬蟲。閱讀本文，你會(huì)學(xué)習(xí)到這些知識(shí)點(diǎn)：

如何使用 superagent 獲取頁面內(nèi)容如何使用 superagent 獲取 JS 文件的內(nèi)容如何使用 superagent 下載文件如何使用 cheerio 操作頁面 DOM如何正確設(shè)置字符編碼來避免亂碼如何使用正則表達(dá)式去除字符串中的多余信息

使用 superagent 獲取頁面內(nèi)容

superagent+cheerio 是 Node 爬蟲的經(jīng)典組合。superagent 是一個(gè)發(fā)起 Ajax 請(qǐng)求的工具。我們使用它來請(qǐng)求各種網(wǎng)絡(luò)資源。比如，我們想批量爬取一些文件，我們就必須先找到文件的 URl，想找到 URL 就必須先獲取記錄這些 URL 的頁面，想獲取頁面內(nèi)容，那么首先就應(yīng)該使用 superagent 把頁面給請(qǐng)求下來?；镜恼?qǐng)求代碼如下：

request.get('http://example.com/search').end(function(err, res){// 將會(huì)打印頁面的 HTML 字符串console.log(res.text);});

拿到了 HTMl 字符串，就可以使用 cheerio 進(jìn)行解析了。關(guān)于 cheerio 我們等會(huì)介紹～

使用 superagent 獲取 JS 文件的內(nèi)容

使用 superagent 獲取頁面內(nèi)容非常簡(jiǎn)單，但是當(dāng)我請(qǐng)求完頁面后發(fā)現(xiàn)，音頻和字幕的 URL 不在頁面上，而是通過 JS 動(dòng)態(tài)渲染到頁面上的，我的爬蟲無法和 JS 通信，這該怎么辦呢？其實(shí)非常簡(jiǎn)單，既然 URL 信息在 JS 文件中，那么我們直接獲取 JS 文件，并使用 eval 方法解析不就行了？所以，我們來使用 superagent 獲取 JS 文件的內(nèi)容。與獲取頁面內(nèi)容的方法不同，獲取 JS 文件，需要加個(gè)?.buffer(true)?：

request.get('https://raw.githubusercontent.com/sindresorhus/negative-zero/master/index.js').buffer(true).end(function (err, res) {...}

為何要如此？具體原因可以看這個(gè) Issue：

https://github.com/visionmedia/superagent/issues/523

使用 superagent 下載文件

前面兩節(jié)介紹了使用 superagent 獲取頁面和 JS 文件，那么如何使用 superagent 下載保存文件到硬盤上呢？這里需要配合使用 Node 的?fs.createWriteStream?方法，代碼如下：

function download(url, localPath, cb) {var stream = fs.createWriteStream(localPath);stream.on('finish', function () {console.log('The download of ' + localPath + ' is complete!');cb();});request.get(url).pipe(stream);}

非常簡(jiǎn)單，不再贅述！

使用 cheerio 操作頁面 DOM

在第一節(jié)，我們介紹了使用 superagent 獲取頁面內(nèi)容，但是頁面內(nèi)容太多，我們想高效提取有用信息，該如何做呢？在瀏覽器中，我們通常使用 jQuery 來高效操作 DOM，在 Node 爬蟲中，我們可以使用 cheerio 來模擬 jQuery 的操作方法。cheerio 的基本用法如下：

var cheerio = require('cheerio')var $ = cheerio.load('<h2 content="text/html; charset=gb2312">

使用正則表達(dá)式去除字符串中的多余信息

最后，我們來講一下如何使用使用正則表達(dá)式去除字符串中的多余信息。在下載文件時(shí)，可能需要處理一些中文名稱作為將來的文件名或目錄名。頁面中的中文名稱往往不是我們想要的，那么如何處理名稱中的多余信息呢？使用正則表達(dá)式就可以做到！比如：

如果你想將?‘聽電影學(xué)英語之海上鋼琴師’變?yōu)?#8217;海上鋼琴師’，那么你可以這么做：

// str 就是'海上鋼琴師'var str = '聽電影學(xué)英語之海上鋼琴師'.replace(/聽電影學(xué)英語之/g, '');

如果你想將?‘聽電影MP3學(xué)英語之海上鋼琴師’?或?‘聽電影學(xué)英語之海上鋼琴師’變?yōu)?#8217;海上鋼琴師’，那么你可以這么做：

// str 就是'海上鋼琴師'var str = '聽電影學(xué)英語之海上鋼琴師'.replace(/聽電影(MP3)?學(xué)英語之/g, '');

注：小括號(hào)代表子表達(dá)式，問號(hào)代表前面的字符出現(xiàn) 0 或 1 次。

如果你想將以下字符串：

‘聽電影學(xué)英語之海上鋼琴師’‘聽電影MP3學(xué)英語之海上鋼琴師’‘聽電影MP3學(xué)英語之海上鋼琴師中英雙語MP3+LRC’‘聽電影MP3學(xué)英語之海上鋼琴師 中英雙語MP3+LRC’‘聽電影MP3學(xué)英語之海上鋼琴師 中英雙語MP3+LRC+文本’‘聽電影MP3學(xué)英語之海上鋼琴師 中英雙語MP3+LRC+文本 ‘

都變?yōu)?‘海上鋼琴師’，那么正則表達(dá)式應(yīng)該這么寫：

/(聽電影(MP3)?學(xué)英語之)|(\s?中英雙語MP3\+LRC(\+文本)?)|(\s?$)/g

把各種情況都考慮進(jìn)去，然后用?|?隔開。其中，\s?匹配任何空白字符，包括空格、制表符、換頁符等等。

總結(jié)

上面介紹了 superagent+cheerio 寫爬蟲需要用到的各種技術(shù)，本文不打算對(duì)業(yè)務(wù)進(jìn)行過多敘述。只要掌握了上述方法，就可以輕松讀懂爬蟲代碼，如果你沒寫過爬蟲，就趕快試試吧！

極客網(wǎng)企業(yè)會(huì)員

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。

2017-11-10
使用 superagent+cheerio 寫爬蟲
作者：?劉一奇 本文將會(huì)講解如何使用 superagent+cheerio 寫爬蟲。閱讀本文，你會(huì)學(xué)習(xí)到這些知識(shí)點(diǎn)： 如何使用 superagent 獲

長(zhǎng)按掃碼 閱讀全文