仓库源文站点原文


title: NodeJS写个爬虫,把文章放到kindle中阅读 categories:


<p>这两天看了好几篇不错的文章,有的时候想把好的文章 down 下来放到 kindle 上看,便写了个爬虫脚本,因为最近都在搞 node,所以就很自然的选择 node 来爬咯~</p> <p>本文地址:<a href="http://www.cnblogs.com/hustskyking/p/spider-with-node.html">http://www.cnblogs.com/hustskyking/p/spider-with-node.html</a>,转载请注明源地址。</p> <p>所谓爬虫,可以简单理解为利用程序操作文件,只是这些文件不在本地,需要我们拉取过来。</p> <h3>一. 爬虫代码解析</h3> <h4>1. 拿到目标页码源码</h4> <p>Node 提供了很多接口来获取远程地址代码,就拿 AlloyTeam 的页面举例吧,把他首页几篇文章的信息爬取过来。因为 AlloyTeam 使用的协议是 http:// ,本文就不介绍 Node 中 // 的使用了。</p>
var http = require("http");

var url = "http://www.alloyteam.com/";
var data = "";

// 创建一个请求
var req = http.request(url, function(res){
    // 设置显示编码
    res.setEncoding("utf8");
    // 数据是 chunked 发送,意思就是一段一段发送过来的
    // 我们使用 data 给他们串接起来
    res.on('data', function(chunk){
        data += chunk;
    });
    // 响应完毕时间出发,输出 data
    res.on('end', function(){
        // dealData(data);
        console.log(data);
    });
});

// 发送请求
req.end();
<p>上面短短七八行代码,就拿到了 AlloyTeam 首页的代码,真的十分简单,如果是 // 就得引用 https 模块咯,都是差不多的。</p> <h4>2. 正则提取目标内容</h4> <p>先看下我们要抓取的内容: </p> <p><img src="https://images.cnitblog.com/i/387325/201404/280127061279284.png" alt=""></p> <p>由于没有使用其他库,我们没办法像操作 DOM 一样获取目标内容,不过写正则也挺简单的,比如我们要 获取标题/文章链接/摘要 这些内容,正则表达式为:</p>
// function dealData
var reg = /<ul\s+class="articlemenu">\s+<li>\s+<a[^>]*>.*?<\ a="">\s+<a href="(.*?)" [^="">]*>(.*?)<\ a="">[\s\S]*?<div\s+class="text">([\s\S]*?)<\ div="">/g;
var res = [];
while(match = reg.exec(data)) {
    res.push({
        "url": match[1],
        "title": match[2],
        "excerpt": match[3]
    });
}

</></div\s+class="text"></></a></></a[^></li></ul\s+class="articlemenu">

<p>这里的正则看起来有点晦涩,不过呢,正则在编程中十分基础的东西,如果没有太多的了解,建议先去搞清楚,这里就不细说啦。这里要强调的一点是:</p>
reg.exec(data);
<p>如果只写上面这句话,只会拿到第一个匹配结果,所以需要使用 while 循环来处理,没处理一次,正则匹配的位置就会往后推一下。其实上面这条语句执行后返回的是一个对象,其中包含一个 index 属性,具体可以查阅 JavaScript 正则的内容。</p> <p>这里返回(res)的数据格式是:</p>
[{
    "url: url,
    "title": title,
    "excerpt" excerpt
}];

<h4>3. 数据的过滤</h4>

<p>上面虽然拿到了内容,不过我们需要的是纯文本,其他标签什么的得过滤掉,excerpt 中包含了一些标签:</p>
var excerpt = excerpt.replace(/(<.*?>)((.*?)(<.*?>))?/g, "$3");

</.?></.?>

<p>虽说文章中有很多代码,有些标签是不应该删除的,不过这里是摘要内容,这些内容的标签都删除掉,方便我们储存。然后把长度处理下:</p>
excerpt = excerpt.slice(0, 120);

<h4>4. 存到数据库(或者文件)</h4>

<p>我这里是把文件储存到文件之中,存放格式为:</p>
[title](url)
> excerpt
<p>哈哈,很熟熟悉吧,markdown 语法,看起来也比较清晰。</p>
var str = "";
for(var i = 0, len = data.length; i < len; i++){
    str += "[" + data[i].title + "](" + data[i].url + ")\n" + data[i].excerpt.replace("\n\s*\n?", ">\n") + "\n\n";
}
<p>先拼接数据,然后写入到文件:</p>
fs.writeFile('index.md', str, function (err) {
    if (err) throw err;
    console.log('数据已保存~');
});
<p>大功告成,过程其实是很简单的。拿到的内容(Linux 下,字体真丑!):</p> <p><img src="https://images.cnitblog.com/i/387325/201404/280128134707391.png" alt=""></p> <h3>二. 源码与小结</h3> <p>如果对正则不太熟悉,上面的工作是不太好完成的,很多开发者为 Node 提供了工具库,使用 npm 可以安装,如果不习惯正则,使用一些工具包辅助处理,可以把拿到的数据当作 DOM 来解析。</p> <p>我了解到的有一个叫做 node-jquery 的库貌似还不错,具体请读者自己去网上搜吧,应该挺多的。</p> <p>上面的代码都是随手写的,没有做什么容错的机制,也只爬取了首页的内容,不过思路都是一样的,拿到 URL 之后再写个循环,其他页面的内容也就到手了。</p> <p>源码没几行:</p>

var http = require("http");
var fs = require("fs");

var url = "http://www.alloyteam.com/";
var data = "";

var req = http.request(url, function(res){
    res.setEncoding("utf8");
    res.on('data', function(chunk){
        data += chunk;
    });
    res.on('end', function(){
        dealData(data);
    });
});

req.on('error', function(e){
    throw e;
});

req.end();
console.log("数据下载中...");

function dealData(data){
    var reg = /<ul\s+class="articlemenu">\s+<li>\s+<a[^>]*>.*?<\ a="">\s+<a href="(.*?)" [^="">]*>(.*?)<\ a="">[\s\S]*?<div\s+class="text">([\s\S]*?)<\ div="">/g;
    var res = [];
    while(match = reg.exec(data)) {
        res.push({
            "url": match[1],
            "title": match[2],
            "excerpt": match[3].replace(/(<.*?>)((.*?)(<.*?>))?/g, "$3").slice(0,120)
        });
    }
    writeFile(res)
 }

function writeFile(data){
    var str = "";
    for(var i = 0, len = data.length; i < len; i++){
        str += "[" + data[i].title + "](" + data[i].url + ")\n>" + data[i].excerpt.replace(/\n\s*\n?/g, "\n>") + "\n\n";
    }
    fs.writeFile('index.md', str, function (err) {
       if (err) throw err;
       console.log('数据已保存~');
    });
}
<p>在 node 环境中:</p>
node spider.js

<p>就可以在同级目录下看到 index.md 文件了。至于如何放到 kindle 中,先了解下 <a href="http://www.idpf.org/epub/20/spec/OPF_2.0.1_draft.htm" target="_blank">OPF</a> 格式,然后使用 Amazon 的 <a href="http://www.amazon.com/gp/feature.html?ie=UTF8<docId=1000765211" target="_blank">KindleGen</a> 工具打包就行啦。</p>

<h3>三. 参考资料</h3>

<ul> <li><a href="http://nodejs.org/api/fs.html">http://nodejs.org/api/fs.html</a></li> <li><a href="http://nodejs.org/api/http.html">http://nodejs.org/api/http.html</a></li> </ul>