Node.js爬虫实战 - 爬你喜欢的

2025-02-12 技术教程

前言

今天没有什么前言，就是想分享些关于爬虫的技术，任性。来吧，各位客官，里边请...

开篇第一问：爬虫是什么嘞？

首先咱们说哈，爬虫不是“虫子”，姑凉们不要害怕。

爬虫 - 一种通过一定方式按照一定规则抓取数据的操作或方法。

开篇第二问：爬虫能做什么嘞？

来来来，谈谈需求

产品MM：

爱豆的新电影上架了，整体电影评价如何呢？暗恋的妹子最近又失恋了，如何在她发微博的时候第一时间知道发了什么，好去呵护呢？总是在看小说的时候点到广告？总是在看那啥的时候点出来，澳xx场又上线啦？做个新闻类网站没有数据源咋办？

研发GG：

爬虫随时准备为您服务！

使用爬虫，拉取爱豆视频所有的评价，导入表格，进而分析评价使用爬虫，加上定时任务，拉取妹子的微博，只要数据有变化，接入短信或邮件服务，第一时间通知使用爬虫，拉取小说内容或xxx的视频，自己再设计个展示页，perfect！使用爬虫，定时任务，拉取多个新闻源的新闻，存储到数据库开篇第三问：爬虫如何实现嘞？

实现爬虫的技术有很多，如python、Node等，今天胡哥给大家分享使用Node做爬虫：爬取小说网站-首页推荐小说

爬取第一步-确定目标

目标网站：https://www.23us.so

我们要获取排行榜中六部小说的：书名、封面、以及小说书籍信息对应的地址(后续获取小说完整信息)

爬取第二步-分析目标特点

网页的内容是由HTML生成的，抓取内容就相当找到特定的HTML结构，获取该元素的值。

打开网页调试控制台，查看元素HTML结构。

注意观察页面HTML的结构，排行榜推荐的小说的HTML结构是

bdo#s-dd 元素 dd 子元素 - 每一部小说 a 目录信息 img 封面 a 小说名称爬取第三步-弄丫的

工具善其事必先利其器，准备好趁手的兵器！

superagent

模拟客户端发送网络请求，可设置请求参数、header头信息

npm install superagent -D

cheerio

类jQuery库，可将字符串导入，创建对象，用于快速抓取字符串中的符合条件的数据

npm install cheerio -D

项目目录：

node-pachong/ - index.js - package.json - node_modules/

上代码：

// node-pachong/index.js/** * 使用Node.js做爬虫实战 * author: justbecoder <justbecoder@aliyun.com> */// 引入需要的工具包const sp = require('superagent');const cheerio = require('cheerio');// 定义请求的URL地址const BASE_URL = 'http://www.23us.so';// 1. 发送请求，获取HTML字符串(async () => { let html = await sp.get(BASE_URL); // 2. 将字符串导入，使用cheerio获取元素 let $ = cheerio.load(html.text); // 3. 获取指定的元素 let books = [] $('#s_dd dd').each(function () { let info = { link: $(this).find('a').eq(0).attr('href'), name: $(this).find('a').eq(1).text(), image: $(this).find('img').attr('src') } books.push(info) }) console.log(books)})()