核心要點(diǎn)

• Node.js 的網(wǎng)頁(yè)抓取涉及從遠(yuǎn)程服務(wù)器下載源代碼并從中提取數(shù)據(jù)，可以使用 cheerio 和 request 等模塊來(lái)實(shí)現(xiàn)。
• cheerio 模塊實(shí)現(xiàn)了 jQuery 的一個(gè)子集，可以從 HTML 字符串構(gòu)建 DOM 并進(jìn)行解析，但它可能難以處理結(jié)構(gòu)不良的 HTML。
• 通過(guò)結(jié)合 request 和 cheerio 可以構(gòu)建完整的網(wǎng)頁(yè)抓取程序來(lái)提取網(wǎng)頁(yè)的特定元素，但是處理動(dòng)態(tài)內(nèi)容、避免被封禁以及處理需要登錄或使用 CAPTCHA 的網(wǎng)站會(huì)更加復(fù)雜，可能需要額外的工具或策略。

網(wǎng)頁(yè)抓取程序是通過(guò)編程方式訪問(wèn)網(wǎng)頁(yè)并從中提取數(shù)據(jù)的軟件。由于內(nèi)容重復(fù)等問(wèn)題，網(wǎng)頁(yè)抓取是一個(gè)有點(diǎn)爭(zhēng)議的話題。大多數(shù)網(wǎng)站所有者更傾向于通過(guò)公開(kāi)可用的 API 訪問(wèn)其數(shù)據(jù)。不幸的是，許多網(wǎng)站提供的 API 質(zhì)量很差，甚至根本沒(méi)有 API。這迫使許多開(kāi)發(fā)人員轉(zhuǎn)向網(wǎng)頁(yè)抓取。本文將教你如何在 Node.js 中實(shí)現(xiàn)你自己的網(wǎng)頁(yè)抓取程序。網(wǎng)頁(yè)抓取的第一步是從遠(yuǎn)程服務(wù)器下載源代碼。在“在 Node.js 中發(fā)出 HTTP 請(qǐng)求”中，讀者學(xué)習(xí)了如何使用 request 模塊下載頁(yè)面。以下示例快速回顧了在 Node.js 中發(fā)出 GET 請(qǐng)求的方法。

var request = require("request");

request({
  uri: "http://www.sitepoint.com",
}, function(error, response, body) {
  console.log(body);
});

網(wǎng)頁(yè)抓取的第二步，也是更困難的一步，是從下載的源代碼中提取數(shù)據(jù)。在客戶端，使用選擇器 API 或 jQuery 等庫(kù)可以輕松完成此任務(wù)。不幸的是，這些解決方案依賴于可以查詢 DOM 的假設(shè)。遺憾的是，Node.js 沒(méi)有提供 DOM。或者有嗎？

Cheerio 模塊

雖然 Node.js 沒(méi)有內(nèi)置 DOM，但有一些模塊可以從 HTML 源代碼字符串構(gòu)建 DOM。兩個(gè)流行的 DOM 模塊是 cheerio 和 jsdom。本文重點(diǎn)介紹 cheerio，可以使用以下命令安裝：

npm install cheerio

cheerio 模塊實(shí)現(xiàn)了 jQuery 的一個(gè)子集，這意味著許多開(kāi)發(fā)人員可以快速上手。事實(shí)上，cheerio 與 jQuery 非常相似，你很容易發(fā)現(xiàn)自己試圖使用 cheerio 中未實(shí)現(xiàn)的 jQuery 函數(shù)。以下示例展示了如何使用 cheerio 解析 HTML 字符串。第一行將 cheerio 導(dǎo)入程序。html 變量保存要解析的 HTML 片段。在第 3 行，使用 cheerio 解析 HTML。結(jié)果賦值給 $ 變量。選擇美元符號(hào)是因?yàn)樗鼈鹘y(tǒng)上用于 jQuery。第 4 行使用 CSS 樣式選擇器選擇 <code><ul> 元素。最后，使用 html() 方法打印列表的內(nèi)部 HTML。

var request = require("request");

request({
  uri: "http://www.sitepoint.com",
}, function(error, response, body) {
  console.log(body);
});

限制

cheerio 正在積極開(kāi)發(fā)中，并且一直在改進(jìn)。但是，它仍然有一些限制。cheerio 最令人沮喪的方面是 HTML 解析器。HTML 解析是一個(gè)難題，并且有很多網(wǎng)頁(yè)包含不良的 HTML。雖然 cheerio 不會(huì)在這些頁(yè)面上崩潰，但你可能會(huì)發(fā)現(xiàn)自己無(wú)法選擇元素。這使得難以確定錯(cuò)誤在于你的選擇器還是頁(yè)面本身。

抓取 JSPro

以下示例結(jié)合 request 和 cheerio 來(lái)構(gòu)建一個(gè)完整的網(wǎng)頁(yè)抓取程序。該示例抓取程序提取 JSPro 首頁(yè)上所有文章的標(biāo)題和 URL。前兩行將所需的模塊導(dǎo)入示例。第 3 到第 5 行下載 JSPro 首頁(yè)的源代碼。然后將源代碼傳遞給 cheerio 進(jìn)行解析。

npm install cheerio

如果你查看 JSPro 源代碼，你會(huì)注意到每個(gè)文章標(biāo)題都是一個(gè)包含在類為 entry-title 的 <a></a> 元素中的鏈接。第 7 行的選擇器選擇所有文章鏈接。然后使用 each() 函數(shù)遍歷所有文章。最后，文章標(biāo)題和 URL 分別從鏈接的文本和 href 屬性中獲取。

結(jié)論

本文向你展示了如何在 Node.js 中創(chuàng)建一個(gè)簡(jiǎn)單的網(wǎng)頁(yè)抓取程序。請(qǐng)注意，這不是抓取網(wǎng)頁(yè)的唯一方法。還有其他技術(shù)，例如使用無(wú)頭瀏覽器，它們功能更強(qiáng)大，但可能會(huì)影響簡(jiǎn)單性和/或速度。請(qǐng)關(guān)注即將發(fā)表的關(guān)于 PhantomJS 無(wú)頭瀏覽器的文章。

Node.js 網(wǎng)頁(yè)抓取常見(jiàn)問(wèn)題 (FAQ)

如何在 Node.js 網(wǎng)頁(yè)抓取中處理動(dòng)態(tài)內(nèi)容？

在 Node.js 中處理動(dòng)態(tài)內(nèi)容可能有點(diǎn)棘手，因?yàn)閮?nèi)容是異步加載的。您可以使用像 Puppeteer 這樣的庫(kù)，它是一個(gè) Node.js 庫(kù)，提供一個(gè)高級(jí) API 來(lái)通過(guò) DevTools 協(xié)議控制 Chrome 或 Chromium。Puppeteer 默認(rèn)情況下以無(wú)頭模式運(yùn)行，但可以配置為運(yùn)行完整的（非無(wú)頭）Chrome 或 Chromium。這允許您通過(guò)模擬用戶交互來(lái)抓取動(dòng)態(tài)內(nèi)容。

如何避免在網(wǎng)頁(yè)抓取時(shí)被封禁？

如果網(wǎng)站檢測(cè)到異常流量，網(wǎng)頁(yè)抓取有時(shí)會(huì)導(dǎo)致您的 IP 被封禁。為避免這種情況，您可以使用一些技術(shù)，例如輪換您的 IP 地址、使用延遲，甚至使用自動(dòng)處理這些問(wèn)題的抓取 API。

如何從需要登錄的網(wǎng)站抓取數(shù)據(jù)？

要從需要登錄的網(wǎng)站抓取數(shù)據(jù)，您可以使用 Puppeteer。Puppeteer 可以通過(guò)填寫登錄表單并提交來(lái)模擬登錄過(guò)程。登錄后，您可以導(dǎo)航到所需的頁(yè)面并抓取數(shù)據(jù)。

如何將抓取的數(shù)據(jù)保存到數(shù)據(jù)庫(kù)？

抓取數(shù)據(jù)后，您可以使用您選擇的數(shù)據(jù)庫(kù)的數(shù)據(jù)庫(kù)客戶端。例如，如果您使用的是 MongoDB，您可以使用 MongoDB Node.js 客戶端連接到您的數(shù)據(jù)庫(kù)并保存數(shù)據(jù)。

如何從帶有分頁(yè)的網(wǎng)站抓取數(shù)據(jù)？

要從帶有分頁(yè)的網(wǎng)站抓取數(shù)據(jù)，您可以使用循環(huán)來(lái)瀏覽頁(yè)面。在每次迭代中，您可以從當(dāng)前頁(yè)面抓取數(shù)據(jù)，然后單擊“下一頁(yè)”按鈕導(dǎo)航到下一頁(yè)。

如何從帶有無(wú)限滾動(dòng)的網(wǎng)站抓取數(shù)據(jù)？

要從帶有無(wú)限滾動(dòng)的網(wǎng)站抓取數(shù)據(jù)，您可以使用 Puppeteer 模擬向下滾動(dòng)操作。您可以使用循環(huán)不斷向下滾動(dòng)，直到不再加載新數(shù)據(jù)。

如何在網(wǎng)頁(yè)抓取中處理錯(cuò)誤？

錯(cuò)誤處理在網(wǎng)頁(yè)抓取中至關(guān)重要。您可以使用 try-catch 塊來(lái)處理錯(cuò)誤。在 catch 塊中，您可以記錄錯(cuò)誤消息，這將幫助您調(diào)試問(wèn)題。

如何從使用 AJAX 的網(wǎng)站抓取數(shù)據(jù)？

要從使用 AJAX 的網(wǎng)站抓取數(shù)據(jù)，您可以使用 Puppeteer。Puppeteer 可以等待 AJAX 調(diào)用完成，然后抓取數(shù)據(jù)。

如何加快 Node.js 中的網(wǎng)頁(yè)抓取速度？

要加快網(wǎng)頁(yè)抓取速度，您可以使用并行處理等技術(shù)，在不同的選項(xiàng)卡中打開(kāi)多個(gè)頁(yè)面并同時(shí)從它們抓取數(shù)據(jù)。但是，請(qǐng)注意不要用過(guò)多的請(qǐng)求來(lái)過(guò)載網(wǎng)站，因?yàn)檫@可能會(huì)導(dǎo)致您的 IP 被封禁。

如何從使用 CAPTCHA 的網(wǎng)站抓取數(shù)據(jù)？

從使用 CAPTCHA 的網(wǎng)站抓取數(shù)據(jù)可能具有挑戰(zhàn)性。您可以使用像 2Captcha 這樣的服務(wù)，它們提供一個(gè) API 來(lái)解決 CAPTCHA。但是，請(qǐng)記住，在某些情況下，這可能是非法或不道德的。始終尊重網(wǎng)站的服務(wù)條款。

以上是node.js中的網(wǎng)絡(luò)刮擦的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！