一個老同學的故事引發的nodejs 爬蟲

阿飛飛飛發表於2018-08-24

故事發展

平靜悠閒的日子，依然是錢少事多，此處想象一個表情。忽然有一天，故事就來了，一個做統計的美女老同學說她懶得自己複製貼上，讓我幫她爬蟲獲取一些文章的內容和制定段落的文字，他們做後續的資料統計和分析，這個忙我當然得幫了，雖然沒爬過。。。哈哈，然後下班之後我就花了幾個小時用自己比較熟悉的nodejs做了這個簡單的小Demo（故事會在文末繼續並附上老同學美照！?）。

目標：

爬取該網站（wwwn.cdc.gov/nchs/nhanes…）的右側列表中DocFile下所有的文章的url，然後去爬到每個文章內部的第一段和最後的表格資訊，如下圖：一個老同學的故事引發的nodejs 爬蟲

下面就是第一篇文章內部第一段，就是我們要爬取內容的一部分，如下：

（2018.08.31補充）

爬蟲方案分析：

開啟要爬去的主頁，右鍵Doc File下面的某一篇文件，選擇“檢查”可在瀏覽器開發者工具（windows 按F12可直接開啟）中，Element下可看到文件的url地址和整個頁面的DOM結構。

採用相同的方法，可以開啟其中一篇文章，在文章要爬去的位置右鍵，檢視到文章的Dom結構，獲取到其中內容。

簡略思路：

定位到文件所在Table---Table下的Doc File---取出Doc File下的文章url---根據url獲取文章內容---選擇文章內我們要爬去的內容所在DOM---格式化處理並儲存在txt中。

採用的node包如下：

cheerio

也要用到node自帶的兩個包 http https

var = require('http');
var = require('https')

npm init 初始化搭建專案，然後安裝npm install cheerio與request ，建立app.js填寫程式碼。

專案目錄：

直接上原始碼：

var http = require('http');
var https = require('https')
var fs = require('fs');
var cheerio = require('cheerio');
var urlHeader = 'https://wwwn.cdc.gov'
var urlFather = 'https://wwwn.cdc.gov/nchs/nhanes/search/datapage.aspx?Component=Laboratory&CycleBeginYear=2013'
//初始url 

let count = 0;
function findUrlList(x,callback){
    https.get(x, function (res) {   
        var html = '';        //用來儲存請求網頁的整個html內容
        var titles = [];        
        res.setEncoding('utf-8'); //防止中文亂碼
        //監聽data事件，每次取一塊資料
        res.on('data', function (chunk) {   
            html += chunk;
        });
        //監聽end事件，如果整個網頁內容的html都獲取完畢，就執行回撥函式
        res.on('end', function () {
         var $ = cheerio.load(html); //採用cheerio模組解析html
         
         var urlArr = [];
         $('#GridView1 tbody tr').each(function (index, item) {
            let url = urlHeader + $(this).children().next().children('a').attr("href")
            startRequest(url)
            urlArr.push(url)
         })
        console.log(urlArr.length)
        callback()
        });

    }).on('error', function (err) {
        console.log(err);
    });
}

function startRequest(x) {
     //採用http模組向伺服器發起一次get請求      
     https.get(x, function (res) {   
        var html = '';        //用來儲存請求網頁的整個html內容
        var titles = [];        
        res.setEncoding('utf-8'); //防止中文亂碼
        //監聽data事件，每次取一塊資料
        res.on('data', function (chunk) {   
            html += chunk;
        });
        //監聽end事件，如果整個網頁內容的html都獲取完畢，就執行回撥函式
        res.on('end', function () {
         var $ = cheerio.load(html); //採用cheerio模組解析html
         var news_item = {
            //獲取文章的標題
            title: $('div #PageHeader h2').text().trim(),
            url: '文章地址： '+x,
            firstParagraph: '首段：\n'+$('#Component_Description').next().text().trim(),
            codeBookAndFrequencies: '表格資訊： \n'+$('#Codebook').children().text().trim()
            };

        savedContent($,news_item);  //儲存每篇文章的內容及文章標題
        });

    }).on('error', function (err) {
        console.error(err);
    });

}
//該函式的作用：在本地儲存所爬取的新聞內容資源
function savedContent($, news_item) {
    count++;
    let x = '['+count+'] ' + '\n';
    x += news_item.url;
    x = x + '\n'; 
    x += news_item.firstParagraph;
    x = x + '\n'; 
    x += news_item.codeBookAndFrequencies;
    x = x + '\n'; 
    x += '------------------------------------------------------------ \n'; 
    x = x + '\n'; 
    x = x + '\n'; 
    //將新聞文字內容一段一段新增到/data資料夾下，並用新聞的標題來命名檔案
    fs.appendFile('./data/' + news_item.title + '.txt', x, 'utf-8', function (err) {
        if (err) {
            console.log(err);
        }
    });
}

// startRequest(url);      //主程式開始執行
findUrlList(urlFather,() => {
    console.log('work done')
})複製程式碼