首页 > 编程 > JavaScript > 正文

node.js抓取并分析网页内容有无特殊内容的js文件

2019-11-20 11:15:15
字体:
来源:转载
供稿:网友

nodejs获取网页内容绑定data事件,获取到的数据会分几次相应,如果想全局内容匹配,需要等待请求结束,在end结束事件里把累积起来的全局数据进行操作!

举个例子,比如要在页面中找有没有www.baidu.com,不多说了,直接放代码:

//引入模块var http = require("http"),fs = require('fs'),url = require('url');//写入文件,把结果写入不同的文件var writeRes = function(p, r) {   fs.appendFile(p , r, function(err) {    if(err)       console.log(err);    else       console.log(r);  });},//发请求,并验证内容,把结果写入文件postHttp = function(arr, num) {   console.log('第'+num+"条!")   var a = arr[num].split(" - ");   if(!a[0] || !a[1]) {     return;   }   var address = url.parse(a[1]),   options = {     host : address.host,     path: address.path,     hostname : address.hostname,     method: 'GET',     headers: {      'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36'    }   }   var req = http.request(options, function(res) {     if (res.statusCode == 200) {        res.setEncoding('UTF-8');        var data = '';        res.on('data', function (rd) {            data += rd;        });        res.on('end', function(q) {          if(!~data.indexOf("www.baidu.com")) {             return writeRes('./no2.txt', a[0] + '--' + a[1] + '/n');                      } else {             return writeRes('./has2.txt', a[0] + '--' + a[1] + "/n");          }        })     } else {        writeRes('./error2.txt', a[0] + '--' + a[1] + '--' + res.statusCode + '/n');     }   });   req.on('error', function(e) {     writeRes('./error2.txt', a[0] + '--' + a[1] + '--' + e + '/n');   })   req.end();},//读取文件,获取需要抓取的页面openFile = function(path, coding) {   fs.readFile(path, coding, function(err, data) {     var res = data.split("/n");       for (var i = 0, rl = res.length; i < rl; i++) {        if(!res[i])          continue;        postHttp(res, i);       };     })};openFile('./sites.log', 'utf-8');

上面代码大家可以看的懂吧,有哪里不清楚的朋友欢迎给我留言,具体的还要靠大家发挥应用到实践当中。

下面给大家介绍Nodejs对于网页抓取的能力

首先PHP。先说优势:网上抓取和解析html的框架一抓一大把,各种工具直接拿来用就行了,比较省心。缺点:首先速度/效率很成问题,有一次下载电影海报的时候,由于是crontab定期执行,也没做优化,开的php进程太多,直接把内存撑爆了。然后语法方面也很拖沓,各种关键字 符号 太多,不够简洁,给人一种没有认真设计过的感觉,写起来很麻烦。

Node.js。优点是效率、效率还是效率,由于网络是异步的,所以基本如同几百个进程并发一样强大,内存和CPU占用非常小,如果没有对抓取来的数据进行复杂的运算加工,那么系统的瓶颈基本就在带宽和写入MySQL等数据库的I/O速度。当然,优点的反面也是缺点,异步网络代表你需要callback,这时候如果业务需求是线性了,比如必须等待上一个页面抓取完成后,拿到数据,才能进行下一个页面的抓取,甚至多层的依赖关系,那就会出现可怕的多层callback!基本这时候,代码结构和逻辑就会一团乱麻。当然可以用Step等流程控制工具解决这些问题。

最后说Python。如果你对效率没有极端的要求,那么推荐用Python!首先,Python的语法很简洁,同样的语句,可以少敲很多次键盘。然后,Python非常适合做数据的处理,比如函数参数的打包解包,列表解析,矩阵处理,非常方便。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表