爬虫实例

爬虫——cheerio

###安装cheerio - `npm install -g cheerio` - `npm install -g cheerio --save-dev`

编写爬虫代码

spider.js

var http = require('http');
var cheerio = require('cheerio');
var url = 'http://www.imooc.com/learn/51';  //本实例是爬一个慕课网课程列表

//过滤文本内容
function filterChapters(html){
  var $ = cheerio.load(html);
  var chapters = $('.chapter');
  var courseData = [];
  chapters.each(function(item){
	   var chapter = $(this);
	   var chapterTitle = chapter.find('strong').contents().filter(function() { return this.nodeType === 3; }).text().trim(); 
	   var videos = chapter.find('.video').children('li');
	   var chapterData = {
	   	chapterTitle: chapterTitle,
	   	videos: []
	   }

	   videos.each(function(item){
	      var video = $(this).find('.J-media-item');
	      var temp=video.text().trim();
          var arr = temp.split('
'); // 多层标签的文本都拼到一起了，要拆开，取用需要的值
          var videoTitle = arr[0].trim() + ' ' +arr[1].trim();
          var id=video.attr('href').split('video/')[1].trim();
	      chapterData.videos.push({
	      	title: videoTitle,
	      	id: id
	      })
   })
	courseData.push(chapterData)   
})
  return courseData;
}
//打印爬虫结果
function printCourseInfo(courseData){
    courseData.forEach(function(item){
    	var chapterTitle = item.chapterTitle;
    	console.log(chapterTitle+'
'+'
');
    	item.videos.forEach(function (video) {
    		console.log('   【' + video.id + '】 ' + video.title.trim() +'
');
    	})
    })
}

//获取网站文本内容
http.get(url, function(res){
	var html = '';
	res.on('data', function(data){
        html += data;
	})
	res.on('end', function(){
		var courseData = filterChapters(html);
		printCourseInfo(courseData);
	})
}).on('error', function(){
	console.log('出现错误！');
})

运行爬虫代

• 打开node命令行Node.js command prompt或者git bash
• 执行命令node spider.js，即可看到爬虫结果

上码不上图，菊花万人捅

• 运行结果图

git bash乱码问题

• http://www.cnblogs.com/scale/p/6258457.html