Node.js で簡単なクローラーケースを作成するチュートリアル

var http = require('http');
var fs = require('fs');
var cheerio = require('cheerio');
var リクエスト = require('リクエスト');
var i = 0;
//初期URL 
var url = "http://cs.whu.edu.cn/a/xinwendongtaifabu/2018/0428/7053.html"; 

function fetchPage(x) { //function startRequest(x) のレイヤーをカプセル化します。 
}

関数startRequest(x) {
     //httpモジュールを使用してサーバーへのGETリクエストを開始します http.get(x, function (res) {     
        var html = ''; // 要求された Web ページの HTML コンテンツ全体を保存するために使用されます var titles = [];    
        res.setEncoding('utf-8'); //中国語の文字化けを防ぐ //データイベントをリッスンし、一度に1つのデータを取得する res.on('data', function (chunk) {   
	      html += チャンク;
	 });
     //終了イベントをリッスンします。Webページコンテンツ全体のHTMLが取得された場合、コールバック関数を実行します res.on('end', function () {
         var $ = cheerio.load(html); //cheerioモジュールを使用してhtmlを解析します
         var ニュースアイテム = {
          //記事のタイトルを取得します。タイトル: $('div#container dt').text().trim(),
          i: i = i + 1、     
       };

	  console.log(news_item); //ニュース情報を印刷します var news_title = $('div#container dt').text().trim();
	  savedContent($,news_title); //各記事の内容とタイトルを保存 savedImg($,news_title); //各記事の画像とタイトルを保存 //次の記事のURL
       var nextLink="http://cs.whu.edu.cn" + $("dd.Paging a").attr('href');
       str1 = nextLink.split('-'); // URLの後の中国語の文字を削除します str = encodeURI(str1[0]);  
       //これはハイライトの1つです。Iを制御することで、クロールする記事の数を制御できます。武漢大学には記事が8つしかないため、8に設定されています
       もし (i <= 8) {                
          ページをフェッチします(str);
       }
	});
}).on('エラー', 関数 (err) {
      コンソールログ(エラー);
    });
 }
//この関数は、クロールされたニュースコンテンツリソースをローカルに保存します。 function savedContent($, news_title) {
	$('dd.info').each(関数(インデックス, 項目) {
		var x = $(this).text();       
		var y = x.substring(0, 2).trim();
		y == ''の場合{
			x = x + '\n';   
			// ニュースのテキストコンテンツを /data フォルダに少しずつ追加し、ニュースのタイトルをファイルに付けます fs.appendFile('./data/' + news_title + '.txt', x, 'utf-8', function (err) {
				もし（エラー）{
				コンソールログ(エラー);
				}
			});
		}	
	})
}       
//この関数はクロールされた画像リソースをローカルに保存します function savedImg($,news_title) {
  $('dd.info img').each(関数(インデックス、項目) {
        var img_title = $(this).parent().next().text().trim(); //画像のタイトルを取得します if(img_title.length>35||img_title==""){
         	img_title="Null";
        }
        var img_filename = img_title + '.jpg';
        var img_src = 'http://cs.whu.edu.cn' + $(this).attr('src'); //画像のURLを取得します

		//リクエストモジュールを使用して、画像リソースを取得するためのサーバーへのリクエストを開始します request.head(img_src,function(err,res,body){
		  もしエラーが起きたら
		    コンソールログ(エラー);
		  }
		});
		request(img_src).pipe(fs.createWriteStream('./image/'+news_title + '---' + img_filename)); // ストリーミングを通じてローカルの /image ディレクトリに画像を書き込み、ニュースのタイトルと画像のタイトルを画像の名前として使用します。
	})
}

fetchPage(url); //メインプログラムの実行が開始されます

var url = {
	ホスト名: 'cl.5fy.xyz',
	パス: '/thread0806.php?fid=7',
	ヘッダー: {
		'コンテンツタイプ': 'text/html',
  	//このフィールドがないとアクセスできません 'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36',  
  }};

/*
* @著者: ユーザー
* @日付: 2018-04-28 19:34:50
* @最終更新者: ユーザー
* @最終更新日時: 2018-04-30 21:35:26
*/
var http = require('http');
var fs = require('fs');
var cheerio = require('cheerio');
var リクエスト = require('リクエスト');
var iconv = require('iconv-lite');
var i = 0;
  //保存するかアクセスするかを決定するために使用されます var temp=0;
  let startPage=3;//クロールを開始するページ let page=startPage;
  let endPage=5;//クロールするページ let searchText='';//必要に応じて、デフォルトですべてクロールされるキーワード //初期 URL 
  var url = {
  ホスト名: '1024liuyouba.tk',
  パス: '/thread0806.php?fid=16'+'&search=&page='+startPage,
  ヘッダー: {
    'コンテンツタイプ': 'text/html',
    //このフィールドがないと、「User-Agent」にアクセスできません: 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36',  
  }};
//ホームページのURLを保存する
urlList=[];
//関数のレイヤーをカプセル化します function fetchPage(x) { 
  setTimeout(関数(){  
    開始リクエスト(x); },5000)
}
//まずアクセスするインターフェースのURLを保存します
関数 getUrl(x){
  温度++;
  http.get(x,function(res){
    var html = ''; 
    res.setEncoding('バイナリ');
    res.on('data', 関数(チャンク) {   
      html += チャンク;
    });
    res.on('end', 関数() {
      var buf = 新しいバッファ(html, 'binary');
      var str=iconv.decode(buf,'GBK');
          var $ = cheerio.load(str); //cheerioモジュールを使用してHTMLを解析する                
          $('tr.tr3 td.tal h3 a').each(function(){
            var search = $(this).text();
            if(search.indexOf(searchText)>=0){
            var nextLink="http://cl.5fy.xyz/" + $(this).attr('href');
            str1 = nextLink.split('-'); // URLの後の中国語文字を削除します str = encodeURI(str1[0]); 
            urlList.push(str); }
          })
          ページ++;
          if(ページ<endPage){
            //次のページのURLを保存する
            x.path='/thread0806.php?fid=16'+'&search=&page='+ページ,
            getUrl(x);
          }そうでない場合(urlList.length!=0){
            urlList をフェッチします。
          }それ以外{
            console.log('キーワードが見つかりません!');
          }
        })
  }).on('エラー', 関数 (err) {
    コンソールログ(エラー);
  });

}
関数startRequest(x) {
  温度===0の場合{
    getUrl(x);     
  }   
  それ以外{
     //httpモジュールを使用してサーバーへのGETリクエストを開始します http.get(x, function (res) {     
        var html = ''; // 要求された Web ページの HTML コンテンツ全体を保存するために使用されます res.setEncoding('binary');
        var タイトル = [];        
	     //データイベントをリッスンし、一度にデータのチャンクを取得します res.on('data', function (chunk) {   
	      html += チャンク;
	    });
	     //終了イベントをリッスンします。Webページコンテンツ全体のHTMLが取得された場合、コールバック関数を実行します res.on('end', function () {
	    	var buf = 新しいバッファ(html, 'binary');
	    	var str=iconv.decode(buf,'GBK');
	        var $ = cheerio.load(str); //cheerioモジュールを使用してHTMLを解析する
	        var ニュースアイテム = {
	          	//記事のタイトルを取得します。タイトル: $('h4').text().trim(),
	        	//iは取得された記事の数を決定するために使用されます i: i = i + 1、     
	      	};
	    console.log(news_item); //情報を印刷 var news_title = $('h4').text().trim();
		
	  	savedContent($,news_title); //各記事の内容とタイトルを保存します		
	  	savedImg($,news_title); //各記事の画像とタイトルを保存する		
	  	//アクセスが完了していない場合はアクセスを続行します if (urlList.length!=0) {
	    	urlList をフェッチします。
	  	}
	});
}).on('エラー', 関数 (err) {
    コンソールログ(エラー);
  });
 }
}
       //この関数はクロールされたテキストコンテンツリソースをローカルに保存します function savedContent($, news_title) {
	$("div.t2[style].tpc_content.do_not_catch").each(関数(インデックス、項目) {
          var x = $(this).text();       
          x = x + '\n';   
		  // ニュースのテキストコンテンツを /data フォルダに少しずつ追加し、ニュースのタイトルをファイルに付けます fs.appendFile('./data/' + news_title + '.txt', x, 'utf-8', function (err) {
			  もし（エラー）{
			    コンソールログ(エラー);
			  }
		  });
		})
 }
//この関数はクロールされた画像リソースをローカルに保存します function savedImg($,news_title) {
  //フォルダーを作成する fs.mkdir('./image/'+news_title, function (err) {
        if(err){console.log(err)}
      });
  $('.tpc_content.do_not_catch input[src]').each(関数(インデックス、項目) {
        var img_title = index; //各画像に番号を追加します var img_filename = img_title + '.jpg';
        var img_src = $(this).attr('src'); //画像のURLを取得する
//リクエストモジュールを使用して、画像リソースを取得するためのサーバーへのリクエストを開始します request.head(img_src,function(err,res,body){
  もしエラーが起きたら
    コンソールログ(エラー);
  }
});
setTimeout(関数(){
  リクエスト({uri: img_src, エンコーディング: 'binary'}, 関数(エラー, レスポンス, 本文) {
    if (!エラー && response.statusCode == 200) {
      fs.writeFile('./image/'+news_title+'/' + img_filename, body, 'binary', function (err) {
        if(err){console.log(err)}
      });
    }
  })
});
})
}
fetchPage(url); //メインプログラムの実行が開始されます