Node.js 实现简单小说爬虫实例

2019-11-19 18:55:49

字体：大中小

来源：转载

供稿：网友

最近因为剧荒，老大追了爱奇艺的一部网剧，由丁墨的同名小说《美人为馅》改编，目前已经放出两季，虽然整部剧槽点满满，但是老大看得不亦乐乎，并且在看完第二季之后跟我要小说资源，直接要奔原著去看结局……

随手搜了下，都是在线资源，下载的话需要登录，注册登录好麻烦，写个爬虫玩玩也好，于是动手用 node 写了一个，这里做下笔记

工作流程

获取 URLs 列表(请求资源 request模块)
根据 URLs 列表获取相关页面源码(可能遇到页面编码问题，iconv-lite模块)
源码解析，获取小说信息( cheerio模块)
保存小说信息到 Markdown 文件，并且加适当修饰以及章节信息(写文件 fs、同步请求资源 sync-request 模块)
Markdown 转 PDF (使用 Pandoc 或者 Chrome 的打印功能)

获取 URLs

根据小说的导航页，获取小说所有章节的 URL，并且以 JSON 数组的方式存储。

首选通过 http.get() 方法获取页面源码
获取到源码，打印发现中文乱码，查看发现 charset = 'gbk'，需要进行转码
使用 iconv-lite 模块进行转码，中文显示正常后开始解析源码，获取需要的 URL，为了更方便地解析，需要引进 cheerio 模块，cheerio 可以理解为运行在后台的 jQuery，用法与 jQuery 也十分相似，熟悉 jQuery 的同学可以很快的上手
将源码加载进 cheerio，分析了源码后得知所有章节信息都存于被 div 包裹的 a 标签中，通过 cheerio 取出符合条件的 a 标签组，进行遍历，获取章节的 title 和 URL，保存为对象，存进数组，(因为链接中存储的 URL 不完整，所以存储时需要补齐)
将对象数组序列化，写进 list.json 文件

var http = require("http")var fs = require("fs")var cheerio = require("cheerio")var iconv = require("iconv-lite")var url = 'http://www.17fa.com/files/article/html/90/90747/index.html'http.get(url, function(res) { //资源请求  var chunks = []  res.on('data', function(chunk) {    chunks.push(chunk)  })  res.on('end', function() {    var html = iconv.decode(Buffer.concat(chunks), 'gb2312') //转码操作    var $ = cheerio.load(html, {      decodeEntities: false    })    var content = $("tbody")    var links = []    $('div').children('a').each(function(i, elem) {      var link = new Object()      link.title = $(this).text()      link.link = 'http://www.17fa.com/files/article/html/90/90747/' + $(this).attr('href') //补齐 URL 信息      if (i > 5) {        links.push(link)      }    })    fs.writeFile("list.json", JSON.stringify(links), function(err) {      if (!err) {        console.log("写文件成功")      }    })  }).on('error', function() {    console.log("网页访问出错")  })})

获取的列表示例

[{  "title": "3 法医司白",  "link": "http://www.17fa.com/files/article/html/90/90747/16548771.html"}, {  "title": "4 第1个梦 ",  "link": "http://www.17fa.com/files/article/html/90/90747/16548772.html"}, {  "title": "5 刑警韩沉 ",  "link": "http://www.17fa.com/files/article/html/90/90747/16548773.html"}, {  "title": "6 最初之战",  "link": "http://www.17fa.com/files/article/html/90/90747/16548774.html "}]

获取数据

有了 URLs 列表，接下来的工作就很机械了，遍历 URLs 列表请求资源，获取源码，解析源码，获取小说，写文件，但是，因为最终将所有的章节保存入一个文件，要保证章节的顺序，因此写文件需要同步操作，实际上，我在编码的时候所有的操作都改成了同步方式

获取源码

通过解析读取的 list.json 文件，获取到 URLs 列表，遍历列表获取资源，因为需要确保章节的顺序，所以这里引进 sync-request 模块进行同步 request 请求资源，请求资源后照例转码

var http = require("http")var fs = require("fs")var cheerio = require("cheerio")var iconv = require("iconv-lite")var request = require('sync-request')var urlList = JSON.parse(fs.readFileSync('list.json', 'utf8'))function getContent(chapter) {  var res = request('GET',chapter.link)  var html = iconv.decode(res.body, 'gb2312') //获取源码}for (let i = 0; i < urlList.length; i++) {  getContent(urlList[i])}

解析源码，获取小说

还是通过 cheerio 模块获取小说内容，避免影响观感，写操作之前去除内容中的的 html 标签

function getContent(chapter) {  var res = request('GET',chapter.link)  var html = iconv.decode(res.body, 'gb2312')  var $ = cheerio.load(html, {    decodeEntities: false  })  var content = ($("div#r1c").text()).replace(// /g, '')}

保存小说

写操作也需要同步操作，因此使用了同步写函数 fs.writeFileSync() 和同步添加函数 fs.appendFileSync()，第一次写使用写函数，之后的内容都是进行 append 操作，为了改善阅读体验，每个章节前添加标题

也可以在内容前添加拍 [TOC]，作为导航链接

var http = require("http")var fs = require("fs")var cheerio = require("cheerio")var iconv = require("iconv-lite")var path = require('path')var urlList = JSON.parse(fs.readFileSync('list.json', 'utf8'))function getContent(chapter) {  console.log(chapter.link)  http.get(chapter.link, function(res) {    var chunks = []    res.on('data', function(chunk) {      chunks.push(chunk)    })    res.on('end', function() {      var html = iconv.decode(Buffer.concat(chunks), 'gb2312')      var $ = cheerio.load(html, {        decodeEntities: false      })      var content = ($("div#r1c").text()).replace(// /g, '')      if (fs.existsSync('美人为馅.md')) {        fs.appendFileSync('美人为馅.md', '### ' + chapter.title)        fs.appendFileSync('美人为馅.md', content)      } else {        fs.writeFileSync('美人为馅.md', '### ' + chapter.title)        fs.appendFileSync('美人为馅.md', content)      }    })  }).on('error', function() {    console.log("爬取" + chapter.link + "链接出错！")  })}for (let i = 0; i < urlList.length; i++) {  console.log(urlList[i])  getContent(urlList[i])}

Markdown 转 PDF

我将小说保存在 Markdown 文件中，为了提升阅读体验，可以将 Markdown 文件转换成 PDF 文件，目前我较为喜欢的两种方式，通过 Chrome 的打印功能以及 pandoc 转换

Chrome 打印

SublimeText 有个插件 markdown preview ，可通过 Alt + m 快捷键在 Chrome 中预览 Markdown，在 Chrome 页面中右键，选择打印，调整好参数后，选择另存为 PDF，简单，粗暴，深得我心

打印效果：