阅读 2697

一个老同学的故事引发的nodejs 爬虫

    故事发展

       平静悠闲的日子,依然是钱少事多,此处想象一个表情。忽然有一天,故事就来了,一个做统计的美女老同学说她懒得自己复制粘贴,让我帮她爬虫获取一些文章的内容和制定段落的文字,他们做后续的数据统计和分析,这个忙我当然得帮了,虽然没爬过。。。哈哈,然后下班之后我就花了几个小时用自己比较熟悉的nodejs做了这个简单的小Demo(故事会在文末继续并附上老同学美照!😁)。

    目标:

       爬取该网站(wwwn.cdc.gov/nchs/nhanes…)的右侧列表中DocFile下所有的文章的url,然后去爬到每个文章内部的第一段和最后的表格信息,如下图:


下面就是第一篇文章内部第一段,就是我们要爬取内容的一部分,如下:


(2018.08.31补充)

爬虫方案分析:

打开要爬去的主页,右键Doc File下面的某一篇文档,选择“检查”可在浏览器开发者工具(windows 按F12可直接打开)中,Element下可看到文档的url地址和整个页面的DOM结构。


采用相同的方法,可以打开其中一篇文章,在文章要爬去的位置右键,查看到文章的Dom结构,获取到其中内容。


简略思路:

定位到文档所在Table---Table下的Doc File---取出Doc File下的文章url---根据url获取文章内容---选择文章内我们要爬去的内容所在DOM---格式化处理并保存在txt中。

采用的node包如下:

cheerio
也要用到node自带的两个包 http https
var = require('http');
var = require('https')


npm init 初始化搭建项目,然后安装npm install cheerio与request ,建立app.js填写代码。

项目目录:


直接上源代码:

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 = '';        //用来存储请求网页的整个html内容
        var titles = [];        
        res.setEncoding('utf-8'); //防止中文乱码
        //监听data事件,每次取一块数据
        res.on('data', function (chunk) {   
            html += chunk;
        });
        //监听end事件,如果整个网页内容的html都获取完毕,就执行回调函数
        res.on('end', function () {
         var $ = cheerio.load(html); //采用cheerio模块解析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) {
     //采用http模块向服务器发起一次get请求      
     https.get(x, function (res) {   
        var html = '';        //用来存储请求网页的整个html内容
        var titles = [];        
        res.setEncoding('utf-8'); //防止中文乱码
        //监听data事件,每次取一块数据
        res.on('data', function (chunk) {   
            html += chunk;
        });
        //监听end事件,如果整个网页内容的html都获取完毕,就执行回调函数
        res.on('end', function () {
         var $ = cheerio.load(html); //采用cheerio模块解析html
         var news_item = {
            //获取文章的标题
            title: $('div #PageHeader h2').text().trim(),
            url: '文章地址: '+x,
            firstParagraph: '首段:\n'+$('#Component_Description').next().text().trim(),
            codeBookAndFrequencies: '表格信息: \n'+$('#Codebook').children().text().trim()
            };

        savedContent($,news_item);  //存储每篇文章的内容及文章标题
        });

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

}
//该函数的作用:在本地存储所爬取的新闻内容资源
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'; 
    //将新闻文本内容一段一段添加到/data文件夹下,并用新闻的标题来命名文件
    fs.appendFile('./data/' + news_item.title + '.txt', x, 'utf-8', function (err) {
        if (err) {
            console.log(err);
        }
    });
}

// startRequest(url);      //主程序开始运行
findUrlList(urlFather,() => {
    console.log('work done')
})复制代码


命令行 node app.js  跑起来就可看到结果啦!

爬虫txt结果查看:




API参考:


故事继续

       对,我花了两个间断简短的晚上帮她做出来了,然后我发现他想要的不是这样,而是一个更大更多功能的系统,要和他们的R语言系统对接!!!但是又没有经费,哈哈,那故事就这样结束了!但是作为一个很有求知欲的程序君,顺带熟练了一下基本的爬虫,还是很满足的!谢谢阅读,希望能给您一些收获!

美女请收下,你一定不会失望,哈哈哈哈哈😄



文章分类
前端