nodejs 使用superagent+cheerio+eventproxy爬取豆瓣帖子

//cnpm install superagent cheerio eventproxy fs path
var superagent = require('superagent');
var cheerio = require('cheerio');
var eventproxy = require('eventproxy');
var fs = require("fs");
var path = require("path");
var ep = new eventproxy();

//全局变量
var g = {
    //抓取时间间隔
    list_fetch_sec : 500,
    //抓取页码数
    list_fetch_num : 50,
    //抓取失败待重试的数组
    list_fail_url : [],
    //最终获取的图片数组
    list_href_arr : [],
    //抓取的版块
    pid:'douban_explore_ent',
    //每个文件下的数据条数
    file_data_num:30
};

get_article_list_url();

function get_list_url(){
    var url_arr = [];
    //控制抓取页码数
    for(var i=0;i<g.list_fetch_num;i++){
        var strat = i*30;
        url_arr.push('https://www.douban.com/group/explore/ent?start='+strat);
    }
    return url_arr;
}

//解析列表页dom
function parseList(all_arr){
    //遍历
    all_arr.forEach(function (item) {
        var itemUrl = item[0];
        var itemHtml = item[1];

        console.log('列表页抓取完成');

        var $ = cheerio.load(itemHtml);
        var a_dom = $('#content .channel-item .bd h3 a');

        a_dom.each(function(){
            var href = $(this).attr('href');
            console.log(href);
            g.list_href_arr.push(href);
        });
    });
}

//解析详情页dom
function praseDetail(all_arr){
    var text_arr = [];
    all_arr.forEach(function (item) {
        var itemUrl = item[0];
        var itemHtml = item[1];
        var group_no = item[2];
        if(itemHtml){
            //decodeEntities 是否解码实体
            var $ = cheerio.load(itemHtml,{decodeEntities: false});
            var content_jq = $('#content .topic-doc .topic-content');
            var title_jq = $('#content h1');
            try{
                var first_floor = content_jq.html();
                var title = title_jq.text();
                var data = {
                    content:first_floor,
                    title:title,
                    url:itemUrl
                };
                text_arr.push(data);
            }catch(msg){
                console.log('error');
            }
        }
    });
    return text_arr;
}

//获取帖子列表
//feeling
function get_article_list_url(){
    var url_arr = get_list_url();

    url_arr.forEach(function (url,index) {
        var _index = index+1;
        fetch_op(url,_index,g.list_fetch_sec,'list_parse','');
    });

    ep.after('list_parse', url_arr.length, function (all_arr) {
        parseList(all_arr);
        console.log('开始抓取详情页');
        get_article_detail();
    });
}

//获取帖子详情
function get_article_detail(){
    //分割数组
    var obj = {};
    g.list_href_arr.forEach(function (url,index) {
        var _group = parseInt(index/g.file_data_num)+1;
        //没有则新建数组
        if(!obj[_group]){
            obj[_group] = [];
        }
        obj[_group].push(url);
    });

    console.log(obj);

    var group_no;
    for(group_no in obj){
        var group_data = obj[group_no];
        var len = group_data.length;
        //设置计数器
        ep_after(group_no,len);

        //每组再遍历
        var j;
        var count = 0;
        for(j in group_data){
            count++;
            var url = group_data[j];
            var _index = count;
            fetch_op(url,_index,g.list_fetch_sec,'detail_parse_'+group_no,group_no);
        }
    }
}

function ep_after(_group,len){
    //计数器作用 当emit的detail_parse达到指定的数量时出发回调
    ep.after('detail_parse_'+_group, len, function (all_arr) {
        console.log('详情页第['+_group+']组抓取完成');

        var text_arr = praseDetail(all_arr);

        if(text_arr.length){
            //如果目录不存在 同步创建目录
            var dir_path_name = get_dir_path_name(g.pid);
            if (!fs.existsSync(dir_path_name)) {
                console.log('新建目录: '+dir_path_name);
                fs.mkdirSync(dir_path_name);
            }

            console.log('saveing '+'详情页第['+_group+']组');
            var save_data = {data:text_arr};
            var path_name = get_file_path_name(g.pid,_group); 
            fs.writeFile(path_name, JSON.stringify(save_data), function (err) {
                  if (err) throw err;
                  console.log('save done!');
            });
        }
    });
}

function get_file_path_name(dirname,no){
    var filename = dirname+'_'+no+'.js';
    return path.join(__dirname,'data',dirname,filename);
}

function get_dir_path_name(dirname){
    return path.join(__dirname,'data',dirname);
}

function fetch_op(url,i,sec,emit_name,group_no){
    setTimeout(function(){
        superagent.get(url)
        .end(function (err, res) {
          if(res){
              console.log('抓取 第['+group_no+']组 ' + url + ' 成功');
              ep.emit(emit_name, [url,res.text,group_no]);
          }else{
              ep.emit(emit_name, [url,'',group_no]);
              console.log('抓取 第['+group_no+']组 ' + url + ' 失败');
          }
        });
    },i*sec);
}

注意：以上代码请仅用于学习用途，切勿用于生产环境或者其他非法用途，否则后果请自行承担

superagent 是一个轻量的,渐进式的ajax api,可读性好,学习曲线低,内部依赖nodejs原生的请求api

cheerio 用于解析dom，用法与jquery类似

eventproxy 并发控制(计数器功能)

功能:爬取豆瓣的某版块列表页中的详情的内容，自动创建文件夹并写入文件中存储，可供接口调用。

代码解读:

执行get_article_list_url方法获取列表的url存进g.list_href_arr中，在执行完成的计数器回调中调用get_article_detail方法，该方法首先根据g.file_data_num对g.list_href_arr的url进行分组，
分完组后根据组数控制请求间隔，在执行完成的计数器回调中新建目录，将抓取回来的数据写入文件。
可直接供前端做接口使用。