一个老同学的故事引发的nodejs 爬虫

故事发展

平静悠闲的日子，依然是钱少事多，此处想象一个表情。忽然有一天，故事就来了，一个做统计的美女老同学说她懒得自己复制粘贴，让我帮她爬虫获取一些文章的内容和制定段落的文字，他们做后续的数据统计和分析，这个忙我当然得帮了，虽然没爬过。。。哈哈，然后下班之后我就花了几个小时用自己比较熟悉的nodejs做了这个简单的小Demo（故事会在文末继续并附上老同学美照！😁）。

目标：

爬取该网站（wwwn.cdc.gov/nchs/nhanes…）的右侧列表中DocFile下所有的文章的url，然后去爬到每个文章内部的第一段和最后的表格信息，如下图：

下面就是第一篇文章内部第一段，就是我们要爬取内容的一部分，如下：

（2018.08.31补充）

爬虫方案分析：

打开要爬去的主页，右键Doc File下面的某一篇文档，选择“检查”可在浏览器开发者工具（windows 按F12可直接打开）中，Element下可看到文档的url地址和整个页面的DOM结构。

采用相同的方法，可以打开其中一篇文章，在文章要爬去的位置右键，查看到文章的Dom结构，获取到其中内容。

简略思路：

定位到文档所在Table—Table下的Doc File—取出Doc File下的文章url—根据url获取文章内容—选择文章内我们要爬去的内容所在DOM—格式化处理并保存在txt中。

采用的node包如下：

cheerio

也要用到node自带的两个包 http https

var = require(‘http’);

var = require(‘https’)

npm init 初始化搭建项目，然后安装npm install cheerio与request ，建立app.js填写代码。

项目目录：

直接上源代码：

var http = require('http');
var https = require('https')
var fs = require('fs');
var cheerio = require('cheerio');
var urlHeader = 'https://wwwn.cdc.gov'
var urlFather = 'https://wwwn.cdc.gov/nchs/nhanes/search/datapage.aspx?Component=Laboratory&CycleBeginYear=2013'
//初始url 

let count = 0;
function findUrlList(x,callback){
    https.get(x, function (res) {   
        var html = '';        //用来存储请求网页的整个html内容
        var titles = [];        
        res.setEncoding('utf-8'); //防止中文乱码
        //监听data事件，每次取一块数据
        res.on('data', function (chunk) {   
            html += chunk;
        });
        //监听end事件，如果整个网页内容的html都获取完毕，就执行回调函数
        res.on('end', function () {
         var $ = cheerio.load(html); //采用cheerio模块解析html
         
         var urlArr = [];
         $('#GridView1 tbody tr').each(function (index, item) {
            let url = urlHeader + $(this).children().next().children('a').attr("href")
            startRequest(url)
            urlArr.push(url)
         })
        console.log(urlArr.length)
        callback()
        });

    }).on('error', function (err) {
        console.log(err);
    });
}

function startRequest(x) {
     //采用http模块向服务器发起一次get请求 
     https.get(x, function (res) {   
        var html = '';        //用来存储请求网页的整个html内容
        var titles = [];        
        res.setEncoding('utf-8'); //防止中文乱码
        //监听data事件，每次取一块数据
        res.on('data', function (chunk) {   
            html += chunk;
        });
        //监听end事件，如果整个网页内容的html都获取完毕，就执行回调函数
        res.on('end', function () {
         var $ = cheerio.load(html); //采用cheerio模块解析html
         var news_item = {
            //获取文章的标题
            title: $('div #PageHeader h2').text().trim(),
            url: '文章地址： '+x,
            firstParagraph: '首段：\n'+$('#Component_Description').next().text().trim(),
            codeBookAndFrequencies: '表格信息： \n'+$('#Codebook').children().text().trim()
            };

        savedContent($,news_item);  //存储每篇文章的内容及文章标题
        });

    }).on('error', function (err) {
        console.error(err);
    });

}
//该函数的作用：在本地存储所爬取的新闻内容资源
function savedContent($, news_item) {
    count++;
    let x = '['+count+'] ' + '\n';
    x += news_item.url;
    x = x + '\n'; 
    x += news_item.firstParagraph;
    x = x + '\n'; 
    x += news_item.codeBookAndFrequencies;
    x = x + '\n'; 
    x += '------------------------------------------------------------ \n'; 
    x = x + '\n'; 
    x = x + '\n'; 
    //将新闻文本内容一段一段添加到/data文件夹下，并用新闻的标题来命名文件
    fs.appendFile('./data/' + news_item.title + '.txt', x, 'utf-8', function (err) {
        if (err) {
            console.log(err);
        }
    });
}

// startRequest(url); //主程序开始运行
findUrlList(urlFather,() => {
    console.log('work done')
})