《使用 superagent 与 cheerio 完成简单爬虫》

目标

建立一个 lesson3 项目，在其中编写代码。

当在浏览器中访问 http://localhost:3000/ 时，输出 CNode(https://cnodejs.org/ ) 社区首页的所有帖子标题和链接，以 json 的形式。

输出示例：

  1. [
  2.   {
  3.     "title": "【公告】发招聘帖的同学留意一下这里",
  4.     "href": "http://cnodejs.org/topic/541ed2d05e28155f24676a12"
  5.   },
  6.   {
  7.     "title": "发布一款 Sublime Text 下的 JavaScript 语法高亮插件",
  8.     "href": "http://cnodejs.org/topic/54207e2efffeb6de3d61f68f"
  9.   }
  10. ]

挑战

访问 http://localhost:3000/ 时，输出包括主题的作者，

示例：

  1. [
  2.   {
  3.     "title": "【公告】发招聘帖的同学留意一下这里",
  4.     "href": "http://cnodejs.org/topic/541ed2d05e28155f24676a12",
  5.     "author": "alsotang"
  6.   },
  7.   {
  8.     "title": "发布一款 Sublime Text 下的 JavaScript 语法高亮插件",
  9.     "href": "http://cnodejs.org/topic/54207e2efffeb6de3d61f68f",
  10.     "author": "otheruser"
  11.   }
  12. ]

知识点

  1. 学习使用 superagent 抓取网页
  2. 学习使用 cheerio 分析网页

课程内容

Node.js 总是吹牛逼说自己异步特性多么多么厉害，但是对于初学者来说，要找一个能好好利用异步的场景不容易。我想来想去，爬虫的场景就比较适合，没事就异步并发地爬几个网站玩玩。

本来想教大家怎么爬 github 的 api 的，但是 github 有 rate limit 的限制，所以只好牺牲一下 CNode 社区（国内最专业的 Node.js 开源技术社区），教大家怎么去爬它了。

我们这回需要用到三个依赖，分别是 express，superagent 和 cheerio。

先介绍一下，

superagent(http://visionmedia.github.io/superagent/ ) 是个 http 方面的库，可以发起 get 或 post 请求。

cheerio(https://github.com/cheeriojs/cheerio ) 大家可以理解成一个 Node.js 版的 jquery，用来从网页中以 css selector 取数据，使用方式跟 jquery 一样一样的。

还记得我们怎么新建一个项目吗？

  1. 新建一个文件夹，进去之后 npm init
  2. 安装依赖 npm install --save PACKAGE_NAME
  3. 写应用逻辑

我们应用的核心逻辑长这样

  1. app.get('/', function (req, res, next) {
  2.   // 用 superagent 去抓取 https://cnodejs.org/ 的内容
  3.   superagent.get('https://cnodejs.org/')
  4.     .end(function (err, sres) {
  5.       // 常规的错误处理
  6.       if (err) {
  7.         return next(err);
  8.       }
  9.       // sres.text 里面存储着网页的 html 内容，将它传给 cheerio.load 之后
  10.       // 就可以得到一个实现了 jquery 接口的变量，我们习惯性地将它命名为 `$`
  11.       // 剩下就都是 jquery 的内容了
  12.       var $ = cheerio.load(sres.text);
  13.       var items = [];
  14.       $('#topic_list .topic_title').each(function (idx, element) {
  15.         var $element = $(element);
  16.         items.push({
  17.           title: $element.attr('title'),
  18.           href: $element.attr('href')
  19.         });
  20.       });
  22.       res.send(items);
  23.     });
  24. });

OK，一个简单的爬虫就是这么简单。这里我们还没有利用到 Node.js 的异步并发特性。不过下两章内容都是关于异步控制的。

记得好好看看 superagent 的 API，它把链式调用的风格玩到了极致。