Node爬虫实践-创新互联

爬虫的原理很好理解，就是在服务端请求另一个服务器的资源，前端有跨域问题，而服务端没有，这是天然优势。掌握node的前端可以为所欲为了。

成都创新互联公司主要从事成都网站设计、成都网站制作、网页设计、企业做网站、公司建网站等业务。立足成都服务敖汉,十年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:18980820575

1 首先，根据请求资源的协议选择合适的模块，比如csdn是https协议，就用https的方法取请求，之前没有注意到这个问题。

var https = require('https');

2 用get方法请求需要抓去内容的网页地址，试过用request方法，没有反应。

 https.get('https://www.xxx.net',function(res){         ......  })

3 用cheerio模块查找dom元素，抓取需要的内容。cheerio是服务端的dom操作工具，以jquery为内核。

var cheerio = require('cheerio');      res.on('data', (chunk) => {         const $ = cheerio.load(chunk);         let content=$('.company_list');      })

4 把图片的绝对地址改成本地路径，前端页面无法直接访问跨域受保护图片。

let imgsrc=[]; content.find('img').each((index,e)=>{          var originsrc=e.attribs.src;     e.attribs.src ='/images/'+e.attribs.src.split('?')[0].split('/').pop();     imgsrc.push(originsrc); })

5 最后一步，也是最重要的一步：把图片保存在本地文件夹。试过fs.readFile 和fs.writeFile，保存下来的图片受损打不开；试过直接get请求，返回的图片都是0字节。正确的方法是用request方法，至于为什么？我也不清楚啊。可能是binary二进制的优势，毕竟再怎么伪装，所有数据本质还是二进制吧。

var request = require('request'); imgsrc.forEach(item=>{     var filename = item.split('?')[0].split('/').pop();     request({ url: item, encoding: null }, (err, response, body) => {          fs.writeFileSync('./public/images/'+filename, body, { encoding: 'binary' });     }) })

到此为止，爬虫的功能就结束了。

另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。

当前文章：Node爬虫实践-创新互联
链接分享：http://dzwzjz.com/article/pdidj.html