NodeJS制作爬虫全过程（续）

前端技术 2023/09/01 JavaScript

书接上回，我们需要修改程序以达到连续抓取40个页面的内容。也就是说我们需要输出每篇文章的标题、链接、第一条评论、评论用户和论坛积分。

如图所示，$(\'.reply_author\').eq(0).text().trim();得到的值即为正确的第一条评论的用户。

{<1>}

在eventproxy获取评论及用户名内容后，我们需要通过用户名跳到用户界面继续抓取该用户积分

复制代码 代码如下:

var $ = cheerio.load(topicHtml);
//此URL为下一步抓取目标URL
var userHref = \'https://cnodejs.org\' + $(\'.reply_author\').eq(0).attr(\'href\');
userHref = url.resolve(tUrl, userHref);
var title = $(\'.topic_full_title\').text().trim().replace(/\\n/g,\"\");;
var href = topicUrl;
var comment1 = $(\'.reply_content\').eq(0).text().trim();
var author1 = $(\'.reply_author\').eq(0).text().trim();
//传递参数到下一次并发抓取
ep.emit(\'user_html\', [userHref, title, href, comment1, author1]);

在eventproxy这一次中，我们要找到score是放在哪里（class=\"big\"）。

{<2>}

找到classname就好办了，我们先试着把结果输出一下

复制代码 代码如下:

var outcome = superagent.get(userUrl)
    .end(function (err, res) {
        if (err) {
            return console.error(err);
        }
        var $ = cheerio.load(res.text);
        var score = $(\'.big\').text().trim();
        console.log(user[1]);
        console.log(user[2]);
        console.log(user[3]);
        console.log(user[4]);
        console.log($(\'.big\').text().trim());
        return ({
            title: user[1],
            href: user[2],
            comment1: user[3],
            author1: user[4],
            score1: score
        });
    });
});

运行程序，这段代码得到的结果。

{<3>}

但是问题来了，我们在.end()的回调函数中能正确输出结果，但是不能正确的输出outcome。仔细一看，需要输出的outcome是一个Request对象。这是因为粗心犯的错的，.end()函数并不会传递返回值给Request对象，需要将结果返回到上一层（users）。

复制代码 代码如下:

//find userDetails
ep.after(\'user_html\', topicUrls.length, function(users){
    users = users.map(function(user){
        var userUrl = user[0];
        var score;
        superagent.get(userUrl)
            .end(function (err, res) {
                if (err) {
                    return console.error(err);
                }
                //console.log(res.text);
                var $ = cheerio.load(res.text);
                score = $(\'.big\').text().trim();
            });
        return ({
            title: user[1],
            href: user[2],
            comment1: user[3],
            author1: user[4],
            score1: score
        });
    });

把users好好地输出发现除了score1其他是正确值。仔细调试发现，程序是先进行了console.log()，然后再进行.map()。更准确地说，在.map()函数内，.get()的回调函数并没有执行完赋值score，return 返回值就进行了。这就是回调函数的异步，而外层的同步操作是不会等待回调函数做完操作的。

{<4>}

我的做法就是eventproxy再emit一层消息，伴随着消息把需要的数据一起传递给接收消息操作.after()，只有当消息全部接收完毕，再打印出传递的参数(结果)。

复制代码 代码如下:

score = $(\'.big\')text().trim();
//新添加
ep.emit(\'got_score\', [user[1], user[2], user[3], user[4], score]);
.....
ep.after(\'got_score\', 10, function(users){
console.log(users);
});

{<6>}

这个问题解决了，但score1的数值好像太大了点吧。再一看，原来class=\'big\'有两个，用户的话题收藏也是属于这个class。我们得通过cheerio的.slice( start, [end] )来切取第一个元素，即将score 修改为 score = $(\'.big\').slice(0).eq(0).text().trim();。正确结果如图。

{<7>}

本文地址：https://www.stayed.cn/item/2068

转载请注明出处。

本站部分内容来源于网络,如侵犯到您的权益,请 联系我

我的博客

人生若只如初见，何事秋风悲画扇。

我的标签

随笔档案