作者：碎碎酱

Node Crawler的目标是成为最好的node.js爬虫工具，目前已经停止维护。

特性：

  • 简洁的API
  • 服务端DOM以及jQuery语法操作DOM（默认Cheerio实现，可以修改为JSDOM）
  • 可配置的缓冲池大小以及自动失败重试
  • 请求优先级
  • forceUTF8模式使其可以自动进行编码检测以及转码
  • 本地缓存
  • 支持node.js 0.10及更高版本

示例代码：

我们来抓取光合新知博客tech栏目中的文章信息。
访问http://dev.guanghe.tv/category/tech/，右键查看页面源代码，可以看到文章信息等内容，如下所示：

1
2
3
4
5
6
7
8
9
10
<ul class="posts">
    <li>
        <span class="post-date">Dec 31, 2015</span>
        <a class="post-link" href="/2015/12/Getting-Started-With-React-And-JSX.html">React和JSX入门指导</a>
    </li>
    <li>
        <span class="post-date">Dec 30, 2015</span>
        <a class="post-link" href="/2015/12/ReactJS-For-Stupid-People.html">React 懒人教程</a>
    </li>
</ul>

因为每篇文章都是一个<li>标签，所以我们从页面代码的所有<li>中获取文章的发布时间、链接和标题。

爬虫代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
var Crawler = require('crawler');
var crawler = new Crawler({
    maxConnections: 10,
    callback: function(err, result, $) {
        $('li').each(function(index, li) {
            console.log(index + ' :');
            console.log('time:' + $(li).children(0).text());
            console.log('url:' + result.uri + $(li).children(1).attr('href'));
            console.log('title:' + $(li).children(1).text());
        });
    }
});
crawler.queue('http://dev.guanghe.tv/category/tech/');

npm install安装crawler模块，node app.js运行程序。
你将会获得如下内容（仅展示部分内容）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0 :
time:Dec 31, 2015
url:http://dev.guanghe.tv/category/tech//2015/12/Getting-Started-With-React-And-JSX.html
title:React和JSX入门指导
1 :
time:Dec 30, 2015
url:http://dev.guanghe.tv/category/tech//2015/12/ReactJS-For-Stupid-People.html
title:React 懒人教程
2 :
time:Dec 24, 2015
url:http://dev.guanghe.tv/category/tech//2015/12/iOSCustomProblem.html
title:iOS开发常见问题
3 :
time:Dec 17, 2015
url:http://dev.guanghe.tv/category/tech//2015/12/iOSXcodeDebug.html
title:Xcode Debug技巧