NodeJs + Phantomjs 简易爬虫

爬虫是什么？

引用百度百科的说法是：

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

如何在NodeJs上搭建爬虫环境？

1. 安装Phantomjs, 这里我们使用一个集成的NodeJS模块，GitHub地址

   npm i phantom --save-dev
   

2. 安装Cheerio, Cheerio是一个服务器端基本实现Jquery核心功能的一个库

   npm i cheerio --save-dev
   

好了，现在我们需要的基本环境都有了，如何进行程序编写呢？

1. 工欲善其事必先利其器，当然是先准备一个好用的IDE啊！这里我们选择WebStorm.

   先使用WebStorm创建一个NodeJS-Express项目，这里我们选择使用EJS模板，如图：

   TIM截图20180124110558.png

   项目创建好以后，修改项目的index.js文件。

2. 废话不多说，编写一个简易的爬虫程序。

   目的：获取百度首页上所有能匹配 http[s]?://.* 的a标签，因此有：

   const express = require('express');
   const router = express.Router();
   const phantom = require('phantom');
   const cheerio = require('cheerio');
   
   /* GET home page. */
   router.get('/', function (req, res, next) {
       res.header('Content-Type', 'application/json');
       let sitepage = null; //创建网页对象实例
       let phInstance = null; //创建phantomj实例对象
       phantom.create()
           .then(instance => {
               phInstance = instance;
               return instance.createPage();
           })
           .then(page => {
               sitepage = page;
               return page.open('https://www.baidu.com/');
           })
           .then(status => {
               console.info(status); //获取结果状态
               return sitepage.property('content'); //获取相应的属性内容
           })
           .then(content => { 
               const $ = cheerio.load(content);  //解析输出的结果内容
               const jsonResult = [];
               $('a[href]').each((i, item) => {  //抓取符合条件的a标签的链接地址
                   const href = $(item).attr('href');
                   if (new RegExp(/http[s]?:\/\/.*/).test(href)) {
                       jsonResult.push(href);
                   }
               });
               sitepage.close();
               phInstance.exit();
               res.json(jsonResult);
           })
           .catch(error => {
               console.log(error);
               phInstance.exit();
               res.json({status: false});
           });
   });
   
   module.exports = router;
   

   运行以上代码后，你会看到以下输出：

   TIM截图20180124111631.png

3. 希望你也能成功，**Good Luck! **