nodeJS爬虫-爬取虎嗅新闻
1.安装依赖库到本地，需要的库有：安装方法见Node.js笔记说明
const superagent = require('superagent');
const cheerio = require('cheerio');
const async = require('async');
const fs = require('fs');
const url = require('url');
const request = require('request');
2.爬取首页：
const huxiuUrl = 'https://www.huxiu.com/';
function Huxiu_hot3(url){
this.url = url;
this.getindex = function(){
superagent.get(this.url).end(function(err, res) {
if (err) {
return console.error(err);
}
//cheerio nodejs版的JQ
let $ = cheerio.load(res.text);
//获取首页所有的链接
//console.log(res.text);
});
}
}
var test = new Huxiu_hot3(huxiuUrl);
test.getindex();
（1）这里要介绍一下superagent：
superagent是nodeJS里一个非常方便的客户端请求代码模块；
请求方式有：
get(默认）
post
put
delete
head
（2）语法：
request(RequestType, RequestUrl).end(callback(err, res));
（3）写法：
var request = require('superagent')
request //request表示superagent对象
.post('/api/pet')
.send({ name: 'Manny', species: 'cat' })
.set('X-API-Key', 'foobar')
.set('Accept', 'application/json')
.then(res => { alert('yay got ' + JSON.stringify(res.body));
});
3.页面数据解析：
我们通过cheerio的load方法解析整个文档，就是html页面所有内容，可以通过console.log($.html());在控制台查看
（1）利用JQuery语法操作DOM：
cheerio是一个node的库，可以理解为一个Node.js版本的jquery，用来从网页中以 css selector取数据，使用方式和jquery基本相同。
$('div.big-pic-box div>a:first-child').each(function(idx,element){
let $element = $(element);
//console.log($element.attr('href'));
});
（2）Jquery遍历函数：
each() 方法规定为每个匹配元素规定运行的函数。
语法：$(selector).each(function(index,element))
* index - 选择器的 index 位置
* element - 当前的元素（也可使用 "this" 选择器）
（3）
url.resolve方法使用说明：
为URL或 href 插入 或 替换原有的标签；
用于拼接所需的URL
//由于该方法属于url模块，使用前需要引入url模块（var url= require(“url”) ）
var url = require('url');
var a = url.resolve('/one/two/three', 'four') ,
b = url.resolve('http://example.com/', '/one'),
c = url.resolve('http://example.com/one', '/two');
console.log(a +","+ b +","+ c);
//输出结果：
///one/two/four
//http://example.com/one
//http://example.com/two
（4）获取到页面解析到的目标URL：
$('div.big-pic-box div>a:first-child').each(function(idx,element){
let $element = $(element);
//console.log($element.attr('href'));
let href = url.resolve(huxiuUrl, $element.attr('href'));
// allUrl.push(href);
console.log(href);
});
4.
&#x(unicode编码后的汉字)JS转换方法：
let content = $('.article-wrap div.article-content-wrap').html(); //返回的是unicode编码的数据，需要 unicode 转中文
content = unescape(content.replace(/&#x/g,'%u').replace(/;/g,''))
console.log(content);
5.Json和字符串的相互转换：
（1）
json.stringfy()将js对象(Object)、数组转换成字符串；
（2）json.parse()将字符串{}转成json对象,例如；只有转化为JSON格式才能使用 ret.id 这种方式获取id的值
"{"token":"EAAehsk05sX4BAAoUt2w6Ecf1MxLY17V6DT3S9Wb9n4Ml7dGQ07lczhZAAUEXLXNXP87avp0LNfCc5eTilBguJOTAD1E8rtakT5pKJNxCiZAFsWPqw3yu2WiaWxHBRtbeBpreZCWpP2gqUnvv2O06MX3Wn7rHdlkcw0dfPCS0WjAfkX16Qe08nJOLHNfdIhcXnfkybeO5LIltFYdCQUh46JY96ZAogmkJiO0H4xB25QZDZD","id":"111374853316990","name":"Chunyu Tian","picture":"https://graph.facebook.com/v3.2/111374853316990/picture?height=64&width=64&migration_overrides=%7Boctober_2012%3Atrue%7D"}"
6.JS读取文件夹下所有文件名：
let fs = require('fs');
let join = require('path').join;
/**
*
* @param startPath 起始目录文件夹路径
* @returns {Array}
*/
function findSync(startPath) {
let result=[];
function finder(path) {
let files=fs.readdirSync(path);
files.forEach((val,index) => {
let fPath=join(path,val);
let stats=fs.statSync(fPath);
if(stats.isDirectory()) finder(fPath);
if(stats.isFile()) result.push(fPath);
});
}
finder(startPath);
return result;
}
let fileNames=findSync('./');