本篇文章通过实例给大家介绍一下nodejs实现简单网页爬虫功能的方法。有一定的参考价值，有需要的朋友可以参考一下，希望对大家有所帮助。
相关推荐：《nodejs 教程》
网页源码
使用http.get()方法获取网页源码，以hao123网站的头条页面为例
http://tuijian.hao123.com/hotrank
var http = require('http');
http.get('http://tuijian.hao123.com/hotrank',function(res){ var data = '';
res.on('data',function(chunk){
data += chunk;
});
res.on('end',function(){
console.log(data);
})
});获得的结果如下所示：
热点排行榜-头条新闻-hao123新闻导航_hao123上网导航
筛选数据
以网页中的综艺热点部分
相关源代码如下
通过分析可知，‘综艺’模块与其他模块都位于
中，其中，综艺模块的内层p的monkey='zy'，综艺模块的10条综艺节目的信息都位于
中，综艺节目的名称位于中
cheerio
我们怎么从源代码中获取到有用的数据呢？首先，nodeJS不支持document对象。如果要使用笨办法，只能使用正则表达式来处理
cheerio 是nodejs特别为服务端定制的，能够快速灵活的对JQuery核心进行实现。它工作于DOM模型上，且解析、操作、呈送都很高效
weenCompany闻名企业网站系统(免费开源)是一个功能强大, 使用简单的中英文企业智能建站系统, 您只需要一些基本的计算机知识就可以利用此系统完成中小型企业网站的建设; 是低成本企业网站架设方案之首选CMS系统, 也适合建设个人网站。weenCompany闻名企业网站系统功能：1. 程序代码简洁严谨, 整个系统程序仅2M左右大小.2. 中英文双语版共用一套网站程序, 双语页面实现自由切换.3
【安装】
【使用】
它的使用方法和jQuery相当类似，上手非常容易。以获取综艺热度前10名的节目名称为例
var http = require('http');
var cheerio = require('cheerio');
http.get('http://tuijian.hao123.com/hotrank',function(res){
var data = '';
res.on('data',function(chunk){
data += chunk;
});
res.on('end',function(){
filter(data);
})
});
function filter(data){
//保存搜索量前10的综艺节目标题
var result = [];
//将页面源代码转换为$对象
var $ = cheerio.load(data);
//查找每个综艺节目标题的外层div
var temp_arr = $('[monkey = "zy"]').find('.point-bd').find('.point-title');
//将综艺节目标题依次保存到结果数组中
temp_arr.each(function(index,item){
result.push($(item).text());
})
//[ '变形计','来吧冠军','拜托了冰箱','昆仑决','天生是优我','姐姐好饿','脑力男人时代','奔跑吧兄弟','我想和你唱','玫瑰之旅' ]
console.log(result);
}爬虫代码
下面将hao123网页中的'实时热点'、'今日热点'、'民生热点'、'电影'、'电视剧'、'综艺'这6部分的排名爬下来，分别到对象名为'result'中的数组中，分别命令为'ss'、'jr'、'ms'、'dy'、'dsj'、'zy'
【代码如下】
var http = require('http');
var cheerio = require('cheerio');
http.get('http://tuijian.hao123.com/hotrank',function(res){
var data = '';
res.on('data',function(chunk){
data += chunk;
});
res.on('end',function(){
filter(data);
})
});
function filter(data){
//保存各部分搜索量前10的名称
//对象名为榜单名，如'实时热点'
//对象内容为10个标题名称组成的数组
var result = {};
//将页面源代码转换为$对象
var $ = cheerio.load(data);
//查找'实时热点'、'今日热点'、'民生热点'、'电影'、'电视剧'、'综艺'这6个榜单所在的div
var temp_div = $('.top-wrap');
//保存榜单名称
var temp_title = [];
temp_div.each(function(index,item){
//查找榜单名，并保存到temp_title文件夹中
temp_title.push($(item).find('h2').text());
//查找每类下每个标题的外层div
var temp_arr = $(item).find('.point-bd').find('.point-title');
//将result下的每个榜单初始化为一个数组
var innerResult = result[temp_title[index]] = [];
//将节目标题依次保存到相应榜单的数组中
temp_arr.each(function(_index,_item){
innerResult.push($(_item).text())
})
})
console.log(result);
}【结果如下】
{ '实时热点':
[ '美国逮捕女斯诺登',
'成都隐秘母乳买卖',
'曝周杰伦青涩旧照',
'老头公交强吻女孩',
'王传君恋情曝光',
'杭州现奇葩窗口',
'忘带全班准考证',
'未成年持械拍网红',
'9秒揍儿子8拳',
'戴耳机穿轨道被撞' ],
'今日热点':
[ '北京回龙观大火',
'选美冠军车祸身亡',
'2017高考',
'成都老火锅店被查',
'陈浩民娇妻秀身材',
'海边直播发现浮尸',
'曝印小天遭妻骗婚',
'苹果开发者大会',
'6万斤鱼缺氧死亡',
'安以轩夏威夷大婚' ],
'民生热点':
[ '北京回龙观大火',
'2017高考',
'成都老火锅店被查',
'海边直播发现浮尸',
'苹果开发者大会',
'6万斤鱼缺氧死亡',
'北控外援训练猝死',
'武汉男子裸体捅人',
'多国与卡塔尔断交',
'美驻华外交官辞职' ],
'电影':
[ '神奇女侠',
'异星觉醒',
'新木乃伊',
'中国推销员',
'荡寇风云',
'异兽来袭',
'李雷和韩梅梅',
'北极星',
'美好的意外',
'夏天19岁的肖像' ],
'电视剧':
[ '龙珠传奇',
'楚乔传',
'欢乐颂2',
'欢乐颂',
'职场是个技术活',
'择天记',
'美食大冒险',
'废柴兄弟',
'人民的名义',
'三生三世十里桃花' ],
'综艺':
[ '变形计',
'来吧冠军',
'拜托了冰箱',
'昆仑决',
'天生是优我',
'姐姐好饿',
'脑力男人时代',
'奔跑吧兄弟',
'我想和你唱',
'玫瑰之旅' ] }
[Finished in 0.7s]更多编程相关知识，请访问：编程入门！！
