现在是大数据的时代，网络上现成的数据都在那里，就看你怎么样来利用，网络爬虫，最适合来抓取我们需要的数据，给刚转nodejs的小伙伴们提供一些需要掌握的nodejs的常用模块
那用nodejs来完成整个爬虫我们需要哪些模块和技术呢
1.request模块
request是一个用来简化HTTP请求操作的模块，其功能强大而且使用方法简单
具体用法可以参考 http://blog.youlunshidai.com/post?id=91
2.cheerio模块
相信用nodejs做过网络爬虫的小伙伴们都知道cheerio这个模块，是的，他是jQuery Core的子集，其实现了jQuery Core中浏览器无关的DOM操作API,一般通过cheerio.load方法来加载我们通过http请求到的网页内容，然后进行DOM操作，抓取我们需要的数据。
需要注意的是，cheerio并不支持所有jQuery的查询语法
比如$(‘a:first’)会报错，只能写成$(‘a’).first()
具体的使用方法可以通过cheerio模块的主页来获取详细的使用说明 https://npmjs.org/package/cheerio
3.async模块
async是一个使用比较广泛的JS异步流程控制模块，除了可以在Nodejs上运行，也可以在浏览器端运行，主要用于处理Nodejs过程中各种复杂的回调
在这里我们主要用到了async的eachSeries方法，他主要用来异步操作里的串行操作，当我们希望在异步流程里上一个操作执行完之后再执行下一个，而不是同时执行的时候，我们就可以通过eachSeries来循环执行所有的异步操作。
具体的使用方法可以通过async模块的主页来获取详细的使用说明 https://npmjs.org/package/async
4.mysql模块
mysql是Nodejs下比较有名的一个MySQL操作模块，我们需要用到这个模块来把我们抓取到的数据集存储到mysql数据库中
具体的使用方法可以通过mysql模块的主页来获取详细的使用说明 https://github.com/felixge/node-mysql
最后分享一个我项目中的一个完整的网络爬虫源码
var request = require(‘request’); var cheerio = require(‘cheerio’); var async = require(‘async’); var mysql = require(’…/models/db’);
exports.get = function() { var domino = ‘http://www.tapotiexie.com’; var url = ‘http://www.tapotiexie.com/Line/index/name/yt/p/’; var txtSource = ‘踏破铁鞋’; var url_list = []; var list = []; for (var i = 1; i < 25; i++) { url_list.push(url + i + ‘.html’); } async.eachSeries(url_list, function(arr_url, callback) { console.log(‘正在抓取’ + arr_url + ‘的数据…’); request(arr_url, function(err, data) { if (err) return console.error(err); var $ = cheerio.load(data.body.toString()); $(’.tptx_ytgt .tptx_ytgt_4’).each(function() { var $me = $(this); //解析船公司和船字段 var arr1 = analyStr($me.find(’.tptx_ytgt_2b a’).text()); //解析晚和天 var arr2 = analyDay($me.find(’.tptx_jcyj_2ab_1 span’).text()); var item = { txtCompany: arr1[0], txtCruise: arr1[1], txtLine: analyLine($me.find(’.tptx_jcyj_2ab_1 ul li:first-child’).text()), txtStartDate: analyStart($me.find(’.tptx_jcyj_2ab_1 li’).eq(1).text(), $me.find(’.tptx_jcyj_2ab_1 span’).text()), numDay: Number(arr2[1]), numNight: Number(arr2[0]), numPrice: analyPrice($me.find(’.tptx_jcyj_2ac .tptx_jcyj_2ac_1’).text()), txtUrl: domino + $me.find(’.tptx_ytgt_2b a’).attr(‘href’) }; list.push(item); }); callback(err, list); }); }, function(err) { if (err) return console.error(err.stack); /写入数据库/ async.eachSeries(list, function(record, callback) { console.log(‘正在写入’ + record.txtStartDate + ‘的数据…’); var sql = ‘insert into …’; mysql.query(sql, function(err, info) { if (err) return console.error(err.stack); if (info.affectedRows == 1) { callback(err); } }); }, function(err) { if (err) return console.error(err.stack); console.log(‘处理成功！’); }); }); }
/按中间的空格解析字符串/ function analyStr(str) { var _newStr = ‘’; for (i in str) { if (str[i].trim() == ‘’) { _newStr += ‘|’; } else { _newStr += str[i]; } } return _newStr.split(’||’); }
/解析航线/ function analyLine(str) { var arr1 = str.split(“邮轮线路：”); return arr1[1]; }
/解析价格/ function analyPrice(str) { if (str == ‘售罄’) { return 0; } else { var arr1 = str.split(“￥”); var arr2 = arr1[1].split(“起”); return Number(arr2[0]); } }
/解析晚和天/ function analyDay(str) { var arr1 = str.split(‘晚’); var arr2 = arr1[1].split(‘天’); var _newStr = arr1[0] + ‘|’ + arr2[0]; return _newStr.split(’|’); }
/解析出发日期/ function analyStart(str1, str2) { var arr1 = str1.split(str2); var arr2 = arr1[0].split(‘出发时间：’); return arr2[1]; }
原文地址: http://blog.youlunshidai.com/post?id=198(陈叔叔博客-原创技术博客)
