Un semplice cingolato che utilizza Cheerio
Questa è la mia formula per creare un semplice crawler in Node.js. È il motivo principale per voler fare manipolazione DOM sul lato server e probabilmente è il motivo per cui sei arrivato qui.
Innanzitutto, utilizzare requestper scaricare la pagina da analizzare. Quando il download è completo, gestiscilo cheerioe inizia la manipolazione del DOM proprio come usando jQuery.
Esempio funzionante:
var
request = require('request'),
cheerio = require('cheerio');
function parse(url) {
request(url, function (error, response, body) {
var
$ = cheerio.load(body);
$('.question-summary .question-hyperlink').each(function () {
console.info($(this).text());
});
})
}
parse('http://stackoverflow.com/');
In questo esempio verranno stampate sulla console tutte le domande principali visualizzate nella home page di SO. Questo è il motivo per cui adoro Node.js e la sua community. Non potrebbe essere più facile di così :-)
Installa dipendenze:
npm installa richiesta cheerio
Ed esegui (supponendo che lo script sopra sia nel file crawler.js):
nodo crawler.js
Codifica
Alcune pagine avranno contenuti non inglesi in una determinata codifica e dovrai decodificarle UTF-8. Ad esempio, una pagina in portoghese brasiliano (o in qualsiasi altra lingua di origine latina) verrà probabilmente codificata ISO-8859-1(alias "latin1"). Quando è necessaria la decodifica, dico di requestnon interpretare il contenuto in alcun modo e invece di usarlo iconv-liteper fare il lavoro.
Esempio funzionante:
var
request = require('request'),
iconv = require('iconv-lite'),
cheerio = require('cheerio');
var
PAGE_ENCODING = 'utf-8'; // change to match page encoding
function parse(url) {
request({
url: url,
encoding: null // do not interpret content yet
}, function (error, response, body) {
var
$ = cheerio.load(iconv.decode(body, PAGE_ENCODING));
$('.question-summary .question-hyperlink').each(function () {
console.info($(this).text());
});
})
}
parse('http://stackoverflow.com/');
Prima di eseguire, installare le dipendenze:
npm installa richiesta iconv-lite cheerio
E poi finalmente:
nodo crawler.js
Link seguenti
Il prossimo passo sarebbe seguire i link. Supponi di voler elencare tutti i poster di ogni domanda principale su SO. Devi prima elencare tutte le domande principali (esempio sopra) e quindi inserire ciascun collegamento, analizzando la pagina di ciascuna domanda per ottenere l'elenco degli utenti coinvolti.
Quando inizi a seguire i collegamenti, può iniziare un inferno di richiamata . Per evitarlo, dovresti usare una sorta di promesse, futuri o altro. Tengo sempre asincrono nella cintura degli attrezzi. Quindi, ecco un esempio completo di un crawler che usa async:
var
url = require('url'),
request = require('request'),
async = require('async'),
cheerio = require('cheerio');
var
baseUrl = 'http://stackoverflow.com/';
// Gets a page and returns a callback with a $ object
function getPage(url, parseFn) {
request({
url: url
}, function (error, response, body) {
parseFn(cheerio.load(body))
});
}
getPage(baseUrl, function ($) {
var
questions;
// Get list of questions
questions = $('.question-summary .question-hyperlink').map(function () {
return {
title: $(this).text(),
url: url.resolve(baseUrl, $(this).attr('href'))
};
}).get().slice(0, 5); // limit to the top 5 questions
// For each question
async.map(questions, function (question, questionDone) {
getPage(question.url, function ($$) {
// Get list of users
question.users = $$('.post-signature .user-details a').map(function () {
return $$(this).text();
}).get();
questionDone(null, question);
});
}, function (err, questionsWithPosters) {
// This function is called by async when all questions have been parsed
questionsWithPosters.forEach(function (question) {
// Prints each question along with its user list
console.info(question.title);
question.users.forEach(function (user) {
console.info('\t%s', user);
});
});
});
});
Prima di correre:
npm install request async cheerio
Esegui un test:
nodo crawler.js
Uscita campione:
Is it possible to pause a Docker image build?
conradk
Thomasleveil
PHP Image Crop Issue
Elyor
Houston Molinar
Add two object in rails
user1670773
Makoto
max
Asymmetric encryption discrepancy - Android vs Java
Cookie Monster
Wand Maker
Objective-C: Adding 10 seconds to timer in SpriteKit
Christian K Rider
E questa è la base che dovresti sapere per iniziare a creare i tuoi crawler :-)
Librerie utilizzate