NodeJs编写小爬虫

一，爬虫及Robots协议

爬虫，是一种自动获取网页内容的程序。是搜索引擎的重要组成部分，因此搜索引擎优化很大程度上就是针对爬虫而做出的优化。

robots.txt是一个文本文件，robots是一个协议，而不是一个命令。robots.txt是爬虫要查看的第一个文件。robots.txt文件告诉爬虫在服务器上什么文件是可以被查看的，搜索机器人就会按照该文件中的内容来确定访问的范围。



如上图，我们可以在网站中直接访问robots.txt文件查看网站禁止访问和允许访问的文件。

二，使用NodeJs爬去网页需要安装的模块

Express

Express 是一个基于 Node.js 平台的极简、灵活的 web 应用开发框架，它提供一系列强大的特性，帮助你创建各种 Web 和移动设备应用。

中文API：http://www.expressjs.com.cn/

Request

简化了http请求。

API：https://www.npmjs.com/package/request



Cheerio

以一种类似JQ的方式处理爬取到的网页。

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

这三个模块在安装NodeJs 之后，可以使用npm命令进行安装。

三，简单爬取网页示例

var express = require('express');
var app = express();
var request = require('request');
var cheerio = require('cheerio');
app.get('/', function(req, res){
request('http://blog.csdn.net/lhc1105', function (error, response, body) {
if (!error && response.statusCode == 200) {
$ = cheerio.load(body);//当前的$,它是拿到了整个body的前端选择器
console.log($('.user_name').text()); //我博客的获取用户名
}else{
console.log("思密达，没爬取到用户名，再来一次");
}
})
});
app.listen(3000);

之后，



然后在浏览器中访问：http://localhost:3000/，就能看到输出的用户名。

感觉比python爬取方便点儿，主要是对网页元素解析上，省去了很多正则表达式。

by the way ,新年快乐~~~