HTTP小爬虫，nodejs学习(二)

使用nodejs抓取网页数据，这里用到cheerio，解析html十分好用，和jquery用法完全一致。

首先安装cheerio，在命令行中输入 npm install cheerio;(在nodejs根目录下输入该命令)

安装完成以后，我们来解析慕课网上http://www.imooc.com/learn/348，获取其上的课程信息。

代码如下：

var http = require('http');
var cheerio = require('cheerio');
var url = 'http://www.imooc.com/learn/348';

function filter(html){//抓取需要的课程信息
    var $ = cheerio.load(html);
    var chapters = $('.chapter');
    //var result = [{ chapterTitle:'', videos:[title:'', id:''] }];抓取结果的格式
    var result = [];
    chapters.each(function(){
        var item = $(this);
        var chapterTitle = item.find('strong').text();
        var videos = item.find('.video').find('li');
        var chapterData = {
            chapterTitle: chapterTitle,
            videos: []
        };
        videos.each(function(){
            var video = $(this).find('.studyvideo');
            var title = video.text().split(')')[0] + ')';//去除有用信息后面的空白
            //console.log(title);
            var id = video.attr('href').split('video/')[1];//只取课程视频的编号
            chapterData.videos.push({
                title: title,
                id: id
            });
        });
        result.push(chapterData);
    });
    return result;
}

function printResult(result){//打印抓取结果
    var str = '';
    result.forEach(function(item){
        str += item.chapterTitle + '
';
        item.videos.forEach(function(item){
            str += ' 【' + item.id + '】 ' + item.title + '
';
        });
    });
    console.log(str);
}

http.get(url, function(res){
    var html = '';
    res.on('data', function(data){//获取整个页面的所有信息
        html += data;
    });
    res.on('end', function(){
        var result = filter(html);//过滤该页面，抓取需要的课程信息
        printResult(result);//打印抓取的结果
    });    
}).on('error', function(){//在获取页面信息时发生错误
    console.log('error!');
});

结果：

第1章前言
【6687】 1-1 前言 (01:20)
【6688】 1-2 为什么学习Nodejs (05:43)
第2章安装 Nodejs
【6689】 2-1 课程简介 (01:19)
【6690】 2-2 Nodejs版本常识 (01:02)
【6691】 2-3 Windows下安装Nodejs (04:43)
【6692】 2-4 Linux下安装Nodejs (06:24)
【6693】 2-5 Mac下安装Nodejs (03:55)
第3章等不及了来尝鲜
【6694】 3-1 起一个web服务器 (05:14)
【6695】 3-2 命令行中体验 (02:47)
第4章模块与包管理工具
【6697】 4-1 Node.js 的模块与 Commonjs 规范 (03:44)
【6700】 4-2 模块的分类 (00:45)
【6701】 4-3 简单的Nodejs模块 (09:23)
第5章横扫 Nodejs API
【6705】 5-1 不要陷入版本选择的深渊 (02:32)
【6710】 5-2 URL网址解析的好帮手 (10:30)
【6711】 5-3 QueryString参数处理小利器 (06:40)
【6712】 5-4 HTTP知识先填坑 (09:43)
【6713】 5-5 HTTP知识填坑之“以慕课网为例分析” (10:13)
【7557】 5-6 HTTP 事件回调进阶 (17:51)
【7558】 5-7 HTTP 源码解读之先了解作用域、上下文 (20:50)
【7963】 5-8 HTTP 源码解读 (22:08)
【7964】 5-9 HTTP 性能测试 (09:15)
【7965】 5-10 HTTP 小爬虫 (17:33)
【8525】 5-11 事件模块小插曲 (15:15)
【8837】 5-12 request方法 (17:56)

本文是在学习了慕课网上的课程后发表的，网址：http://www.imooc.com/learn/348

HTTP小爬虫 ，nodejs学习(二)

HTTP小爬虫，nodejs学习(二)