前提

$ npm install --save

$ node app

打开http://localhost:3030/index.html 可直接查看爬虫数据

目标

爬取斗鱼正在直播的主播数据(房间号，在线人数，房间标题，主播名称，直播分类等等)

依赖构建

安装npm包express+superagent+cheerio

$ npm install express superagent cheerio --save

express:Node.js的Web应用程序框架

superagent:小型渐进式客户端HTTP请求库，和Node.js模块具有相同的API，具有许多高级HTTP客户端功能

cheerio:可以理解为一个Node.js版本的jquery，用来从网页中以 css selector取数据，使用方式和jquery基本相同

实现步骤

1、引入依赖并实例化express

const express = require('express');

const superagent = require('superagent');

const cheerio = require('cheerio');

const app = express();

2、定义目标url

const url = 'https://www.douyu.com/directory/all';

const rooturl = 'https://www.douyu.com';

rooturl是斗鱼首页,url是斗鱼全部直播间第一页,rooturl后面直播间地址数据要用到

3、发送请求 获取数据 分析数据 生成页面数据到前端

用superagent发送get请求到斗鱼，回调函数接受到的数据给cheerio解析，这样就可以用jquery选择器进行操作

使用cheerio.load()解析

打开斗鱼，发现其直播列表均在id为live-list-contentbox的ul里,用jquery选择器获取所有li并遍历

在li里寻找到我们需要的数据,最后push到data里

app.get('/', function (req, response) { // 声明get请求在指定的路径下调用相应的回调函数

let data = [];//存放获取的数据

superagent.get(url).end(function (err, res) {//发起get请求

if (err) {

console.log(err);

} else {

console.log('状态码：' + res.status);

let $ = cheerio.load(res.text);//使用cheerio解析数据

$('#live-list-contentbox li').each(function (i, ele) { //获取目标数据 并遍历存放到data中

let href = rooturl + $(ele).find('a.play-list-link').attr('href');//href是存放的直播间id，加rooturl生成直播间链接

let lives = {

name: $(ele).find('span.dy-name').text(),

num: $(ele).find('span.dy-num').text(),

title: $(ele).find('.mes-tit>h3').text().trim(),

links: href,//直播间链接

};

data.push(lives);

})

}

response.send(data);//目标数据发送给前端

})

4、监听端口

app.listen(3030, function () {

console.log('server is listening port 3030....');

})

最后node这个项目，打开http://localhost:3000/ 得到我们需要的数据

以上全部代码在first.js里. 爬虫数据部分结果：

进阶爬虫

思考：这只是斗鱼第一页主播的数据，如果是100页的数据，或者全部呢？

这时候就需要async,不可能同步发100个请求，容易被误以为恶意攻击

Async提供了直接,强大的函数来处理异步JavaScript,虽然最初设计用于Node.js，但它也可以直接在浏览器中使用

$ npm install async --save

分析页面

100个页面可以先获取100个相应的url，但是发现斗鱼切换到第二页的时候其url并没有改变，

通过chrome devtools发现在切换页面时的ajax请求。

发现ajax请求的url是https://www.douyu.com/gapi/rk... ,后面加的/2就是相应的页数(这里是第二页)

实现爬虫

1、和刚才上面一样

const express = require('express');

const superagent = require('superagent');

const async = require('async');

const app = express();

const rooturl = 'https://www.douyu.com/gapi/rkc/directory/0_0';

2、声明一个函数获取所有的url

function geturls(num) {

let href = [];

let urls = [];

for (let i = 1; i <= num; i++) {

href.push('/' + i);

}

href.forEach(function (ele) {

urls.push(rooturl + ele);

})

return urls;

}

传进去的num是多少，返回的url就有多少

3、async异步发送请求

app.get('/data', function (req, res) {

let urls = geturls(100); //获取100个url

let datas = []; //存放目标数据

async.mapLimit(urls,25,function (url, callback) { //异步发送请求

fetchPage(url, callback);//分析数据并提取

}, function (err, result) {

console.log('分析完成！');

res.send(datas);//发送数据给前端

});

})

async.mapLimit(coll, limit, iteratee, callback)

coll是迭代的集合，就是数组存放需要发送请求的url

limit一次最大异步操作数

一个异步函数，用于应用于每个项目 coll

callback可选,所有iteratee 函数完成或发生错误时调用的回调。

ps:最后一个函数里result参数的数据和datas数组数据是一样的，发送datas主要是方便后面页面提取

4、分析页面函数

function fetchPage(url, callback) {

superagent.get(url).end(function (err, sres) {

if (err) {

console.log(err);

} else {

let item = JSON.parse(sres.text);//解析json数据

let list = item.data.rl;

list.forEach(function (ele) {//提取需要的数据

let obj = {

name: ele.nn,

id: ele.rid,

online: ele.ol,

title: ele.rn,

class: ele.c2name,

};

datas.push(obj);

});

callback(null, datas);//这个datas会发送给result

}

})

}

})

因为ajax请求直接返回的是json数据就不需要上面的cheerio解析

5、设置静态文件目录

app.use(express.static('public'))

app.listen(3030, function () {

console.log('server is listening port 3030....');

})

6、编写前端html，展示数据

前端代码在index.html里，主要是获取数据遍历输出到表格，还有一个搜索功能(不建议搜索1W以上的数据，会很卡)

以上代码均在app.js里