使用 node 爬取数据
准备用electron制作一个小说阅读工具练练手，那么首先要解决的就是数据问题，也就是小说的文本。
这里准备使用 node 对小说网站进行爬虫爬取，尝试爬下一本小说，数据就不存放数据库了，先使用txt作为文本存储
在node中对于网站的请求，本身就存在http和https库，内部含有request请求方法。
实例:
request = https.request(TestUrl, { encoding:'utf-8' }, (res)=>{ let chunks = '' res.on('data', (chunk)=>{ chunks += chunk }) res.on('end',function(){ console.log('请求结束'); })})
复制代码
但是也就到此为止了，只是存取了一个html的文本数据，并不能够对内部元素进行提取之类的工作（也可以正则拿，但是太过复杂）。
我将访问到的数据通过fs.writeFile方法存储起来了，这只是整个网页的html
但是我想要的还有各个章节中的内容，这样一来就需要获取章节的超链接，组成超链接链表进去爬取
cheerio 库
所以，这里就要介绍一个 js 的库了，cheerio
官方文档：https://cheerio.js.org/
中文文档：https://github.com/cheeriojs/cheerio/wiki/Chinese-README
在文档中，可以使用示例进行调试
使用 cheerio 解析 HTML
cheerio 解析 html 时，获取 dom 节点的方式与jquery相似。
根据之前获取到的书籍首页的 html，查找自己想要的 dom 节点数据
const fs = require('fs')const cheerio = require('cheerio');
// 引入读取方法const { getFile, writeFun } = require('./requestNovel')
let hasIndexPromise = getFile('./hasGetfile/index.html');
let bookArray = [];
hasIndexPromise.then((res)=>{ let htmlstr = res; let $ = cheerio.load(htmlstr);
$(".listmain dl dd a").map((index, item)=>{ let name = $(item).text(), href = 'https://www.shuquge.com/txt/147032/' + $(item).attr('href') if (index > 11){ bookArray.push({ name, href }) } }) // console.log(bookArray) writeFun('./hasGetfile/hrefList.txt', JSON.stringify(bookArray), 'w')})
复制代码
打印一下信息
同时可以将这些信息也存储起来， 方便后续读取，否则如果之后再次运行还要重新爬取
现在章节数和章节的链接都有了，那么就可以获取章节的内容了。
因为批量爬取最后需要 IP 代理，这里还没准备，暂时先写获取某一章节小说的内容方法
爬取某一章节的内容其实也比较简单：
// 爬取某一章节的内容方法function getOneChapter(n) { return new Promise((resolve, reject)=>{ if (n >= bookArray.length) { reject('未能找到') } let name = bookArray[n].name; request = https.request(bookArray[n].href, { encoding:'gbk' }, (res)=>{ let html = '' res.on('data', chunk=>{ html += chunk; }) res.on('end', ()=>{ let $ = cheerio.load(html); let content = $("#content").text(); if (content) { // 写成txt writeFun(`./hasGetfile/${name}.txt`, content, 'w') resolve(content); } else { reject('未能找到') } }) }) request.end(); })}getOneChapter(10)
复制代码
爬取效果：
这样，就可以根据上面的方法，来创造一个调用接口，传入不同的章节参数，获取当前章节的数据
const express = require('express'); const IO = express();const { getAllChapter, getOneChapter } = require('./readIndex')// 获取章节超链接链表getAllChapter();
IO.use('/book',function(req, res) { // 参数 let query = req.query; if (query.n) { // 获取某一章节数据 let promise = getOneChapter(parseInt(query.n - 1)); promise.then((d)=>{ res.json({ d: d }) }, (d)=>{ res.json({ d: d }) }) } else { res.json({ d: 404 }) }})
//服务器本地主机的数字IO.listen('7001',function(){ console.log("启动了。。。");})
复制代码
效果：
评论