使用 superagent 与 cheerio 完成简单爬虫

目标：

建立一个 lesson3 项目，在其中编写代码。

当在浏览器中访问 http://localhost:3000/ 时，输出 CNode(https://cnodejs.org/ ) 社区首页的所有帖子标题和链接，以

json

的形式。

知识点：

1. 学习使用

superagent

抓取网页

2. 学习使用

cheerio

分析网页

Node.js中异步的场景运用的很多，其中爬虫的场景就比较适合，可以通过异步并发的方式爬取网站的一些相关信息。

此次主要使用了三个包依赖，分别是express、superagent和cheerio。

superagent

(http://visionmedia.github.io/superagent/ ) 是个 http 方面的库，可以发起 get 或 post 请求。

cheerio

(https://github.com/cheeriojs/cheerio ) 大家可以理解成一个 Node.js 版的 jquery，用来从网页中以 css selector 取数据，使用方式跟 jQuery 一样一样的。

步骤：

1. 新建文件，然后 npm init;

2. 安装包依赖 npm install –save package_name；

3. 写应用逻辑。

app.js中的代码如下：

var express = require('express');
var superagent = require('superagent');
var cheerio = require('cheerio');

var app = express();

app.get('/', function (req, res, next) {
// 用 superagent 去抓取 https://cnodejs.org/ 的内容
superagent.get('https://cnodejs.org/')
.end(function (err, sres) {
// 常规的错误处理
if (err) {
return next(err);
}
// sres.text 里面存储着网页的 html 内容，将它传给 cheerio.load 之后
// 就可以得到一个实现了 jquery 接口的变量，我们习惯性地将它命名为 `$`
// 剩下就都是 jquery 的内容了
var $ = cheerio.load(sres.text);
var items = [];
$('#topic_list .topic_title').each(function (idx, element) {
var $element = $(element);
items.push({
title: $element.attr('title'),
href: $element.attr('href')
});
});

res.send(items);
});
});

app.listen(3000, function (req, res) {
console.log('app is running at port 3000');
});

结果如下图所示：