淺談Node.js爬蟲之網頁請求模組，node.js爬蟲

淺談Node.js爬蟲之網頁請求模組，node.js爬蟲

本文介紹了Node.js爬蟲之網頁請求模組，分享給大家，具體如下：

註：如您下載最新的nodegrass版本，由於部分方法已經更新，本文的例子已經不再適應，詳細請查看開源地址中的例子。

一、為什麼我要寫這樣一個模組？

源於筆者想使用Node.js寫一個爬蟲，雖然Node.js官方API提供的請求遠端資源的方法已經非常簡便，具體參考

http://nodejs.org/api/http.html 其中對於Http的請求提供了，http.get(options, callback)和http.request(options, callback)兩個方法，

看方法便知，get方法用於get方式的請求，而request方法提供更多的參數，例如其它請求方式，請求主機的連接埠等等。對於Https的請求於Http類似。一個最簡單的例子：

var https = require('https');https.get('https://encrypted.google.com/', function(res) { console.log("statusCode: ", res.statusCode); console.log("headers: ", res.headers); res.on('data', function(d) {  process.stdout.write(d); });}).on('error', function(e) { console.error(e);});

對於以上代碼，我們無非就是想請求遠程主機，得到響應資訊，例如響應狀態，回應標頭，響應主體內容。其中get方法的第二個參數是一個回呼函數，我們非同步擷取響應資訊，然後，在該回呼函數中，res對象又監聽data，on方法中第二個參數又是一個回調，而你得到d（你請求到的響應資訊）後，很可能在對它進行操作的時候再次引入回調，一層層下去，最後就暈了。。。對於非同步方式的編程，對於一些習慣同步方式寫代碼的同學是非常糾結的，當然國內外已經對此提供了一些非常優秀的同步類庫，例如老趙的Wind.js......好像有點扯遠了。其實，我們調用get最終要得到的無非就是響應資訊，而不關心res.on這樣的監聽過程，因為太懶惰。不想每次都res.on('data',func)，於是誕生了今天我要介紹的nodegrass。

二、nodegrass請求資源，像Jquery的$.get(url,func)

一個最簡單的例子：

var nodegrass = require('nodegrass');nodegrass.get("http://www.baidu.com",function(data,status,headers){  console.log(status);  console.log(headers);  console.log(data);},'gbk').on('error', function(e) {  console.log("Got error: " + e.message);});

咋一看，和官方原來的get沒啥區別，確實差不多=。=！只不過少了一層res.on('data',func)的事件監聽回調而已。不管你信不信，反正我看上去感覺舒服多了，第二個參數同樣是一個回呼函數，其中的參數data是響應主體內容，status是響應狀態，headers是回應標頭。得到響應內容，我們就可以對得到的資源提取任何我們感興趣的資訊啦。當然這個例子中，只是簡單的列印的控制台而已。第三個參數是字元編碼，目前Node.js不支援gbk，這裡nodegrass內部引用了iconv-lite進行了處理，所以，如果你請求的網頁編碼是gbk的，例如百度。只需加上這個參數就行了。

那麼對於https的請求呢？如果是官方api，你得引入https模組，但是請求的get方法等和http類似，於是nodegrass順便把他們整合在一塊了。看例子：

var nodegrass = require('nodegrass');nodegrass.get("https://github.com",function(data,status,headers){  console.log(status);  console.log(headers);  console.log(data);},'utf8').on('error', function(e) {  console.log("Got error: " + e.message);});

nodegrass會根據url自動識別是http還是https，當然你的url必須得有，不能唯寫www.baidu.com/而需要http://www.baidu.com/。

對於post的請求，nodegrass提供了post方法，看例子：

var ng=require('nodegrass');ng.post("https://api.weibo.com/oauth2/access_token",function(data,status,headers){  var accessToken = JSON.parse(data);  var err = null;  if(accessToken.error){     err = accessToken;  }  callback(err,accessToken);  },headers,options,'utf8');

以上是新浪微博Auth2.0請求accessToken的一部分，其中使用nodegrass的post請求access_token的api。

post方法相比get方法多提供了headers要求標頭參數，options--post的資料，它們都是對象字面量的類型：

var headers = {    'Content-Type': 'application/x-www-form-urlencoded',    'Content-Length':data.length  };var options = {       client_id : 'id',     client_secret : 'cs',     grant_type : 'authorization_code',     redirect_uri : 'your callback url',     code: acode  };

三、利用nodegrass做Proxy 伺服器？……**

看例子：

var ng = require('nodegrass'),   http=require('http'),   url=require('url');   http.createServer(function(req,res){    var pathname = url.parse(req.url).pathname;        if(pathname === '/'){      ng.get('http://www.cnblogs.com/',function(data){        res.writeHeader(200,{'Content-Type':'text/html;charset=utf-8'});        res.write(data+"\n");        res.end();        },'utf8');      }   }).listen(8088);   console.log('server listening 8088...');

就這麼簡單，當然Proxy 伺服器還有複雜的多，這個不算是，但至少你訪問本地8088連接埠，看到的是不是部落格園的頁面呢？

nodegrass的開源地址：https://github.com/scottkiss/nodegrass

以上就是本文的全部內容，希望對大家的學習有所協助，也希望大家多多支援幫客之家。