本文给大家介绍一下node中依靠第三方开源库真正实现网址抓取功能性的方式,希望能帮助到大家!
nodejs完成网址抓取作用
第三方库详细介绍
完成构思
根据
request
获得特定 url 具体内容根据
cheerio
寻找页面上自动跳转的路线(去重复)根据
mkdirp
创建目录根据
fs
创建文件,将载入内容载入取得并没有浏览的路线反复之上实行流程
代码编写
const fs = require("fs");
const path = require("path");
const request = require("request");
const cheerio = require("cheerio");
const mkdirp = require("mkdirp");
// 界定通道url
const homeUrl = "https://www.baidu.com";
// 界定set存放早已浏览过的路线,避免重复浏览
const set = new Set([homeUrl]);
function grab(url) {
// 校检url规范化
if (!url) return;
// 去空格符
url = url.trim();
// 自动补全url途径
if (url.endsWith("/")) {
url = "index.html";
}
const chunks = [];
// url可能出现一些符号或是汉语,能通过encodeURI编号
request(encodeURI(url))
.on("error", (e) => {
// 打印错误信息内容
console.log(e);
})
.on("data", (chunk) => {
// 接受回应具体内容
chunks.push(chunk);
})
.on("end", () => {
// 将相对应具体内容转化成文字
const html = Buffer.concat(chunks).toString();
// 并没有掌握到具体内容
if (!html) return;
// 分析url
let { host, origin, pathname } = new URL(url);
pathname = decodeURI(pathname);
// 根据cheerio分析html
const $ = cheerio.load(html);
// 将途径做为文件目录
const dir = path.dirname(pathname);
// 创建目录
mkdirp.sync(path.join(__dirname, dir));
// 往文件写入具体内容
fs.writeFile(path.join(__dirname, pathname), html, "utf-8", (err) => {
// 打印错误信息内容
if (err) {
console.log(err);
return;
}
console.log(`[${url}]保存成功`);
});
// 掌握到页面上全部a元素
const aTags = $("a");
Array.from(aTags).forEach((aTag) => {
// 掌握到a标识里的途径
const href = $(aTag).attr("href");
// 这里能够校检href的合理合法或是操纵爬来的网址范畴,例如务必全是某一网站域名中的
// 清除空标识
if (!href) return;
// 清除ps钢笔联接
if (href.startsWith("#")) return;
if (href.startsWith("mailto:")) return;
// 如果不想要存图能够滤掉
// if (/\.(jpg|jpeg|png|gif|bit)$/.test(href)) return;
// href一定要通道url网站域名
let reg = new RegExp(`^https?:\/\/${host}`);
if (/^https?:\/\//.test(href) && !reg.test(href)) return;
// 能够根据实际情况增加更多逻辑性
let newUrl = "";
if (/^https?:\/\//.test(href)) {
// 解决相对路径
newUrl = href;
} else {
// 解决绝对路径
newUrl = origin path.join(dir, href);
}
// 确定是否浏览过
if (set.has(newUrl)) return;
if (newUrl.endsWith("/") && set.has(newUrl "index.html")) return;
if (newUrl.endsWith("/")) newUrl = "index.html";
set.add(newUrl);
grab(newUrl);
});
});
}
// 逐渐爬取
grab(homeUrl);
汇总
简单网页爬虫就完成,能把homeUrl改为自己想抓取网站试一下。
大量node基本知识,请访问:nodejs 实例教程!!
以上就是关于聊一聊node中怎么依靠第三方开源库完成网址抓取功能性的具体内容,大量欢迎关注AdminJS其他类似文章!