Node.js爬蟲-爬取慕課網課程信息

来源:http://www.cnblogs.com/qqandfqr/archive/2017/06/07/6959317.html
-Advertisement-
Play Games

第一次學習Node.js爬蟲，所以這時一個簡單的爬蟲，Node.js的好處就是可以併發的執行 這個爬蟲主要就是獲取慕課網的課程信息，並把獲得的信息存儲到一個文件中，其中要用到cheerio庫，它可以讓我們方便的操作HTML，就像是用jQ一樣 開始前，記得 為了能夠併發的進行爬取，用到了Promise ...


第一次學習Node.js爬蟲，所以這時一個簡單的爬蟲，Node.js的好處就是可以併發的執行

這個爬蟲主要就是獲取慕課網的課程信息，並把獲得的信息存儲到一個文件中，其中要用到cheerio庫，它可以讓我們方便的操作HTML，就像是用jQ一樣

開始前，記得

npm install cheerio

 

為了能夠併發的進行爬取，用到了Promise對象

//接受一個url爬取整個網頁，返回一個Promise對象
function getPageAsync(url){
    return new Promise((resolve,reject)=>{
        console.log(`正在爬取${url}的內容`);
        http.get(url,function(res){
            let html = '';

            res.on('data',function(data){
                html += data;
            });

            res.on('end',function(){
                resolve(html);
            });

            res.on('error',function(err){
                reject(err);
                console.log('錯誤信息：' + err);
            })
        });
    })
}

 

在慕課網中，每個課程都有一個ID，我們事先要把想要獲取課程的ID寫到一個數組中，而且每個課程的地址都是一個相同的地址加上ID，所以我們只要把地址和ID拼接起來就是課程的地址

const baseUrl = 'http://www.imooc.com/learn/';
const baseNuUrl = 'http://www.imooc.com/course/AjaxCourseMembers?ids=';
//獲取課程的ID
const videosId = [773,371];

 

為了使獲取每個課程內容時併發執行，要使用Promise中的all方法

Promise
    //當所有網頁的內容爬取完畢
    .all(courseArray)
    .then((pages)=>{
        //所有頁面需要的內容
        let courseData = [];

        //遍歷每個網頁提取出所需要的內容
        pages.forEach((html)=>{
            let courses = filterChapter(html);
            courseData.push(courses);
        });

        //給每個courseMenners.number賦值
        for(let i=0;i<videosId.length;i++){
            for(let j=0;j<videosId.length;j++){
                if(courseMembers[i].id +'' == videosId[j]){
                    courseData[j].number = courseMembers[i].numbers;
                }
            }
        }

        //對所需要的內容進行排序
        courseData.sort((a,b)=>{
            return a.number > b.number;
        });

        //在重新將爬取內容寫入文件中前，清空文件
        fs.writeFileSync(outputFile,'###爬取慕課網課程信息###',(err)=>{
            if(err){
                console.log(err)
            }
        });
        printfData(courseData);
    });

 

在then方法中，pages是每個課程的HTML頁面，我們還得從中提取出我們需要的信息，需要使用下麵的函數

//接受一個爬取下來的網頁內容，查找網頁中需要的信息
function filterChapter(html){
    const $ = cheerio.load(html);

    //所有章
    const chapters = $('.chapter');


    //課程的標題和學習人數
    let title = $('.hd>h2').text();
    let number = 0;

    //最後返回的數據
    //每個網頁需要的內容的結構
    let courseData = {
        'title':title,
        'number':number,
        'videos':[]
    };

    chapters.each(function(item){
        let chapter = $(this);
        //文章標題
        let chapterTitle = Trim(chapter.find('strong').text(),'g');

        //每個章節的結構
        let chapterdata = {
            'chapterTitle':chapterTitle,
            'video':[]
        };


        //一個網頁中的所有視頻
        let videos = chapter.find('.video').children('li');
        videos.each(function(item){
            //視頻標題
            let videoTitle = Trim($(this).find('a.J-media-item').text(),'g');
            //視頻ID
            let id = $(this).find('a').attr('href').split('video/')[1];
            chapterdata.video.push({
                'title':videoTitle,
                'id':id
            })
        });

        courseData.videos.push(chapterdata);

    });

    return courseData;
}

註意：在上面中將課程的學習人數設置為了0是因為學習課程人數是用Ajax動態獲取，所以我在後面寫了方法專門獲取學習課程人數，其中用到的Trim()方法是去除文本中的空格

獲取學習課程的人數：

//獲取上課人數
function getNumber(url){

    let datas = '';

    http.get(url,(res)=>{
        res.on('data',(chunk)=>{
            datas += chunk;
        });

        res.on('end',()=>{
            datas = JSON.parse(datas);
            courseMembers.push({'id':datas.data[0].id,'numbers':parseInt(datas.data[0].numbers,10)});
        });
    });
}

這樣就將想獲取課程的學習人數都添加到了courseMembers數組中，在最後將學習課程的人數在賦值給相對應的課程

        //給每個courseMenners.number賦值
        for(let i=0;i<videosId.length;i++){
            for(let j=0;j<videosId.length;j++){
                if(courseMembers[i].id +'' == videosId[j]){
                    courseData[j].number = courseMembers[i].numbers;
                }
            }
        }

 

我們獲取到了數據，就要把它按照一定的格式存到一個文件中

//寫入文件
function writeFile(file,string) {
    fs.appendFileSync(file,string,(err)=>{
            if(err){
                console.log(err);
            }
        })
}

//列印信息
function printfData(coursesData){

    coursesData.forEach((courseData)=>{
       // console.log(`${courseData.number}人學習過${courseData.title}\n`);
       writeFile(outputFile,`\n\n${courseData.number}人學習過${courseData.title}\n\n`);

        courseData.videos.forEach(function(item){
            let chapterTitle = item.chapterTitle;
            // console.log(chapterTitle + '\n');
            writeFile(outputFile,`\n  ${chapterTitle}\n`);

            item.video.forEach(function(item){
                // console.log('     【' + item.id + '】' + item.title + '\n');
                writeFile(outputFile,`     【${item.id}】  ${item.title}\n`);
            })
        });

    });


}

 

最後獲取到的數據：

 

源碼：

/**
 * Created by hp-pc on 2017/6/7 0007.
 */
const http = require('http');
const fs = require('fs');
const cheerio = require('cheerio');
const baseUrl = 'http://www.imooc.com/learn/';
const baseNuUrl = 'http://www.imooc.com/course/AjaxCourseMembers?ids=';
//獲取課程的ID
const videosId = [773,371];
//輸出的文件
const outputFile = 'test.txt';
//記錄學習課程的人數
let courseMembers = [];

//去除字元串中的空格
function Trim(str,is_global)
{
    let  result;
    result = str.replace(/(^\s+)|(\s+$)/g,"");
    if(is_global.toLowerCase()=="g")
    {
        result = result.replace(/\s/g,"");
    }
    return result;
}

//接受一個url爬取整個網頁，返回一個Promise對象
function getPageAsync(url){
    return new Promise((resolve,reject)=>{
        console.log(`正在爬取${url}的內容`);
        http.get(url,function(res){
            let html = '';

            res.on('data',function(data){
                html += data;
            });

            res.on('end',function(){
                resolve(html);
            });

            res.on('error',function(err){
                reject(err);
                console.log('錯誤信息：' + err);
            })
        });
    })
}

//接受一個爬取下來的網頁內容，查找網頁中需要的信息
function filterChapter(html){
    const $ = cheerio.load(html);

    //所有章
    const chapters = $('.chapter');


    //課程的標題和學習人數
    let title = $('.hd>h2').text();
    let number = 0;

    //最後返回的數據
    //每個網頁需要的內容的結構
    let courseData = {
        'title':title,
        'number':number,
        'videos':[]
    };

    chapters.each(function(item){
        let chapter = $(this);
        //文章標題
        let chapterTitle = Trim(chapter.find('strong').text(),'g');

        //每個章節的結構
        let chapterdata = {
            'chapterTitle':chapterTitle,
            'video':[]
        };


        //一個網頁中的所有視頻
        let videos = chapter.find('.video').children('li');
        videos.each(function(item){
            //視頻標題
            let videoTitle = Trim($(this).find('a.J-media-item').text(),'g');
            //視頻ID
            let id = $(this).find('a').attr('href').split('video/')[1];
            chapterdata.video.push({
                'title':videoTitle,
                'id':id
            })
        });

        courseData.videos.push(chapterdata);

    });

    return courseData;
}

//獲取上課人數
function getNumber(url){

    let datas = '';

    http.get(url,(res)=>{
        res.on('data',(chunk)=>{
            datas += chunk;
        });

        res.on('end',()=>{
            datas = JSON.parse(datas);
            courseMembers.push({'id':datas.data[0].id,'numbers':parseInt(datas.data[0].numbers,10)});
        });
    });
}

//寫入文件
function writeFile(file,string) {
    fs.appendFileSync(file,string,(err)=>{
            if(err){
                console.log(err);
            }
        })
}

//列印信息
function printfData(coursesData){

    coursesData.forEach((courseData)=>{
       // console.log(`${courseData.number}人學習過${courseData.title}\n`);
       writeFile(outputFile,`\n\n${courseData.number}人學習過${courseData.title}\n\n`);

        courseData.videos.forEach(function(item){
            let chapterTitle = item.chapterTitle;
            // console.log(chapterTitle + '\n');
            writeFile(outputFile,`\n  ${chapterTitle}\n`);

            item.video.forEach(function(item){
                // console.log('     【' + item.id + '】' + item.title + '\n');
                writeFile(outputFile,`     【${item.id}】  ${item.title}\n`);
            })
        });

    });


}

//所有頁面爬取完後返回的Promise數組
let courseArray = [];

//迴圈所有的videosId,和baseUrl進行字元串拼接，爬取網頁內容
videosId.forEach((id)=>{
    //將爬取網頁完畢後返回的Promise對象加入數組
    courseArray.push(getPageAsync(baseUrl + id));
    //獲取學習的人數
    getNumber(baseNuUrl + id);
});

Promise
    //當所有網頁的內容爬取完畢
    .all(courseArray)
    .then((pages)=>{
        //所有頁面需要的內容
        let courseData = [];

        //遍歷每個網頁提取出所需要的內容
        pages.forEach((html)=>{
            let courses = filterChapter(html);
            courseData.push(courses);
        });

        //給每個courseMenners.number賦值
        for(let i=0;i<videosId.length;i++){
            for(let j=0;j<videosId.length;j++){
                if(courseMembers[i].id +'' == videosId[j]){
                    courseData[j].number = courseMembers[i].numbers;
                }
            }
        }

        //對所需要的內容進行排序
        courseData.sort((a,b)=>{
            return a.number > b.number;
        });

        //在重新將爬取內容寫入文件中前，清空文件
        fs.writeFileSync(outputFile,'###爬取慕課網課程信息###',(err)=>{
            if(err){
                console.log(err)
            }
        });
        printfData(courseData);
    });

 

不要在該奮鬥的年紀而選擇了安逸
您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • nodeJS實現簡單網頁爬蟲功能
    [1]網頁源碼 [2]篩選數據 [3]cheerio [4]爬蟲代碼 [5] ...
  • jQuery 添加樣式屬性的優先順序別
    jQuery類中添加多個屬性 jQuer為元素添加類 HTML code 可以看到jQuery類中添加多個屬性渲染效果是以內嵌樣式出現的。 而jQuer為元素添加的類沒有內嵌樣式的優先順序高 可以看到渲染效果中沒有funny的 background color: gray ; 和 color: yel ...
  • css類選擇器類名覆蓋優先順序
    code 渲染效果 最初以為更改元素中class類裡面的類名順序，渲染效果就會根據類名順序依次渲染 code 渲染效果 更改元素class裡面類名的順序並不能影響渲染順序 code 渲染效果 更改樣式表裡類的順序 渲染順序受到影響 結論：兩個類中有同樣的屬性覆蓋順序是css樣式表從下往上的順序 ...
  • jQuery+ajax實現局部刷新
    在項目中，經常會用到ajax，比如實現局部刷新，比如需要前後端交互等，這裡呢分享局部刷新的兩種方法，主要用的是ajax裡面的.load()。 第一種： 當某幾個頁面都有相同的頭部、導航、底部的時候，點擊導航鏈接可以在幾個頁面中切換，此時想要的效果是點擊鏈接後只切換內容部分，其他不再重新載入。上代碼。 ...
  • jQuery常用工具方法
    [1]元素相關 [2]數據相關 [3]類型檢測 [4]數組相關 [5]其他 ...
  • JavaScript忍者閱讀隨筆（一）：函數聲明、調用
    在JavaScript中，函數是作為一等成員而存在的，由此，非常有必要掌握JavaScript中函數的知識，最近幾天閱讀了JavaScript忍者的第三章和第四章前面的部分，做一個總結。 JavaScript函數聲明： JavaScript函數是使用 函數字面量 進行聲明 從而創建函數的。 形如 函 ...
  • jQuery雜項方法
    [1]數據操作 [2]隊列操作 [3]集合操作 [4]索引過濾 [5]內容過濾 ...
  • webpack打包器簡單入門
    概念 webpack是一個現代javascript應用程式的模塊打包器。 當webpack處理你的應用程式時，它會遞歸構建一個依賴圖（包含了你的應用程式所需要每個模塊），然後把這些模塊打包到少數幾個budle文件中（通常是只有一個，會被瀏覽器載入，根據項目情況而定）。 這是令人難以置信的配置，但開始 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類