nodejs爬虫系统

其中express是服务端框架

request相当于前端的ajax请求

cheerio相当于jq

[b]开始[/b]
首先我们先新建一个 crawler目录
执行 npm install express -g 命令 和 npm install express-generator -g 命令

接着 cd crawler 进入crawler目录 执行 npm install request --save-dev 和 npm install cheerio --save-dev

然后在我们的目录下建立express项目 直接命令行执行 express
OK 我们的项目目录变成这个样子：



接下来
我们首先安装下项目的依赖，执行 npm install 就OK

那这样我们的前期工作就做好了。

[b]接着[/b]
我们打开app.js
我们来修改他。
如下：

var express = require('express');
var app = express();

app.get('/', function(req, res) {
res.send('hello express');
});

app.listen(3000, function() {
console.log('listening on 3000');
});

终端执行 supervisor app.js
（注：supervisor是nodejs中监控进程用的。比如我们修改了app.js 那么supervisor就会自动去重启这个文件，不需要我们手动去node app.js，用户可以通过 npm install supervisor -g 来安装。这个也是我们在nodejs开发中常用到的一个工具）

OK。
我们打开127.0.0.1:3000
看到页面上输出了 hello express。 一切正常

就下来我们看下request。我们去到npm 里面 request的官网
https://www.npmjs.com/package/request
看到关于他的使用，我们把它趴下来：



修改我们的app.js

var express = require('express');
var app = express();
var request = require('request');

app.get('/', function(req, res) {
request('http://www.cnblogs.com/galenyip', function (error, response, body) {
if (!error && response.statusCode == 200) {
console.log(body);// Show the HTML for the Google homepage.
res.send('hello express');
}
});
});

app.listen(3000, function() {
console.log('listening on 3000');
});

地址修改成我的博客地址吧。来爬爬我这个博客

OK，刷新我们的页面。等一会，会看到终端打印出了html相关信息。

接着，

我们用上 cheerio

在app.js中 我们就入 var cherrio = require('cherrio');

var express = require('express');
var app = express();
var request = require('request');
var cheerio = require('cheerio');

app.get('/', function(req, res) {
request('http://www.cnblogs.com/galenyip', function (error, response, body) {
if (!error && response.statusCode == 200) {
$ = cheerio.load(body); //拿到body，作为选择器
}
});
});

app.listen(3000, function() {
console.log('listening on 3000');
});

同时，我们可以看到 cheerio.load(body)就是我们拿到的页面，把它作为总的选择器。

之后的，我们就可以像操作jq一样操作这个页面了。

具体的api可以到官网：

https://www.npmjs.com/package/cheerio

它的api跟jq很像，那这个就不做介绍了

其实，我们的整个爬虫就差不多了。

剩下的就是看客们根据自己的需要，去抓取页面的dom，筛选等等等等。。。。

好了。

大体就这么多了。

有不懂的，或者纰漏的，大家可以在评论里面交流拍砖。