上天的Node.js之爬虫篇 15行代码爬取京东淘宝资源 【深入浅出】

2024年2月5日 170次阅读 来源: Peter谭金杰

难道爬虫只能用
python 做？ 不，我们上天的
Node.js 也可以做！

  • 需要准备的包

    • Node.js的最新版本 下载地址 Node.js官网
    • npm 包管理器下载 下载最新的官网版本 Node.js 会自带 npm
    • npm的第三方包 puppeteer 在对应的js文件内运行命令行工具 npm i puppeteer -D 即可

爬虫在获取某些有保护机制的网页时可能会失效

初入江湖 -自在地境篇

const puppeteer = require('puppeteer'); //  引入依赖  
(async () => {   //使用async函数完美异步 
    const browser = await puppeteer.launch();  //打开新的浏览器
    const page = await browser.newPage();   // 打开新的网页 
    await page.goto('https://www.jd.com/');  //前往里面 'url' 的网页
    const result = await page.evaluate(() => {   //这个result数组包含所有的图片src地址
        let arr = []; //这个箭头函数内部写处理的逻辑  
        const imgs = document.querySelectorAll('img');
        imgs.forEach(function (item) {
            arr.push(item.src)
        })
        return arr 
    });
    // '此时的result就是得到的爬虫数据，可以通过'fs'模块保存'
})()

  复制过去 使用命令行命令 ` node 文件名 ` 就可以运行获取爬虫数据了

这个
puppeteer 的包 ，其实是替我们开启了另一个浏览器，重新去开启网页，获取它们的数据。

潇洒入世 -逍遥天境篇

  • 上面只爬取了京东首页的图片内容，假设我的需求进一步扩大，需要爬取京东首页

中的所有<a> 标签对应的跳转网页中的所有 title的文字内容，最后放到一个数组中。

  • 我们的async函数上面一共分了五步， 只有 puppeteer.launch() ,

browser.newPage(), browser.close() 是固定的写法。

  • page.goto 指定我们去哪个网页爬取数据，可以更换内部url地址，也可以多次

调用这个方法。

  • page.evaluate 这个函数，内部是处理我们进入想要爬取网页的数据逻辑
  • page.goto和 page.evaluate两个方法，可以在async内部调用多次，

那意味着我们可以先进入京东网页，处理逻辑后，再次调用page.goto这个函数，

注意，上面这一切逻辑，都是
puppeteer这个包帮我们在看不见的地方开启了另外一个

浏览器，然后处理逻辑，所以最终要调用
browser.close()方法关闭那个浏览器。

  • 这时候我们对上一篇的代码进行优化，爬取对应的资源。
 const puppeteer = require('puppeteer');
(async () => {
    const browser = await puppeteer.launch();
    const page = await browser.newPage();
    await page.goto('https://www.jd.com/');
    const hrefArr = await page.evaluate(() => {
        let arr = [];
        const aNodes = document.querySelectorAll('.cate_menu_lk');
        aNodes.forEach(function (item) {
            arr.push(item.href)
        })
        return arr
    });
    let arr = [];
    for (let i = 0; i < hrefArr.length; i++) {
        const url = hrefArr[i];
        console.log(url) //这里可以打印 
        await page.goto(url);
        const result = await page.evaluate(() => { //这个方法内部console.log无效 
            
              return  $('title').text();  //返回每个界面的title文字内容
        });
        arr.push(result)  //每次循环给数组中添加对应的值
    }
    console.log(arr)  //得到对应的数据  可以通过Node.js的 fs 模块保存到本地
    await browser.close()
})()

上面有天坑 page.evaluate函数内部的console.log不能打印，而且内部不能获取外部的变量,只能return返回，

使用的选择器必须先去对应界面的控制台实验过能不能选择DOM再使用，比如京东无法使用querySelector。这里由于

京东的分界面都使用了jQuery，所以我们可以用jQuery，总之他们开发能用的选择器，我们都可以用，否则就不可以。

威震武林 -神游玄境篇

数据在这个时代非常珍贵，上面两个能获取一些指定的特定资源，按照网页的设计逻辑，选定特定的
href的地址，

可以先直接获取对应的资源，也可以通过再次使用
page.goto方法进入，再调用
page.evaluate() 处理逻辑。

这里就不做过多介绍了，毕竟
Node.js 是可以上天的，或许未来它真的什么都能做。这么优质简短的教程，请收藏

或者转发给您的朋友，谢谢。

    原文作者：Peter谭金杰
    原文地址: https://segmentfault.com/a/1190000018620152
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞