node.js抓取并分析網(wǎng)頁內(nèi)容有無特殊內(nèi)容的js文件
nodejs獲取網(wǎng)頁內(nèi)容綁定data事件,獲取到的數(shù)據(jù)會分幾次相應,如果想全局內(nèi)容匹配,需要等待請求結(jié)束,在end結(jié)束事件里把累積起來的全局數(shù)據(jù)進行操作!
舉個例子,比如要在頁面中找有沒有www.baidu.com,不多說了,直接放代碼:
//引入模塊 var http = require("http"), fs = require('fs'), url = require('url'); //寫入文件,把結(jié)果寫入不同的文件 var writeRes = function(p, r) { fs.appendFile(p , r, function(err) { if(err) console.log(err); else console.log(r); }); }, //發(fā)請求,并驗證內(nèi)容,把結(jié)果寫入文件 postHttp = function(arr, num) { console.log('第'+num+"條!") 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(); }, //讀取文件,獲取需要抓取的頁面 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');
上面代碼大家可以看的懂吧,有哪里不清楚的朋友歡迎給我留言,具體的還要靠大家發(fā)揮應用到實踐當中。
下面給大家介紹Nodejs對于網(wǎng)頁抓取的能力
首先PHP。先說優(yōu)勢:網(wǎng)上抓取和解析html的框架一抓一大把,各種工具直接拿來用就行了,比較省心。缺點:首先速度/效率很成問題,有一次下載電影海報的時候,由于是crontab定期執(zhí)行,也沒做優(yōu)化,開的php進程太多,直接把內(nèi)存撐爆了。然后語法方面也很拖沓,各種關(guān)鍵字 符號 太多,不夠簡潔,給人一種沒有認真設計過的感覺,寫起來很麻煩。
Node.js。優(yōu)點是效率、效率還是效率,由于網(wǎng)絡是異步的,所以基本如同幾百個進程并發(fā)一樣強大,內(nèi)存和CPU占用非常小,如果沒有對抓取來的數(shù)據(jù)進行復雜的運算加工,那么系統(tǒng)的瓶頸基本就在帶寬和寫入MySQL等數(shù)據(jù)庫的I/O速度。當然,優(yōu)點的反面也是缺點,異步網(wǎng)絡代表你需要callback,這時候如果業(yè)務需求是線性了,比如必須等待上一個頁面抓取完成后,拿到數(shù)據(jù),才能進行下一個頁面的抓取,甚至多層的依賴關(guān)系,那就會出現(xiàn)可怕的多層callback!基本這時候,代碼結(jié)構(gòu)和邏輯就會一團亂麻。當然可以用Step等流程控制工具解決這些問題。
最后說Python。如果你對效率沒有極端的要求,那么推薦用Python!首先,Python的語法很簡潔,同樣的語句,可以少敲很多次鍵盤。然后,Python非常適合做數(shù)據(jù)的處理,比如函數(shù)參數(shù)的打包解包,列表解析,矩陣處理,非常方便。
相關(guān)文章
輕松創(chuàng)建nodejs服務器(5):事件處理程序
這篇文章主要介紹了輕松創(chuàng)建nodejs服務器(5):事件處理程序,本系列文章將一步一步創(chuàng)建一個完整的nodejs服務器,需要的朋友可以參考下2014-12-12node.js中的fs.createWriteStream方法使用說明
這篇文章主要介紹了node.js中的fs.createWriteStream方法使用說明,本文介紹了fs.createWriteStream方法說明、語法、接收參數(shù)、使用實例和實現(xiàn)源碼,需要的朋友可以參考下2014-12-12node.js使用express-fileupload中間件實現(xiàn)文件上傳
本文使用express作為服務端,使用express-fileupload庫提供的中間件函數(shù)來接受從客戶端傳來的圖片,并將圖片作為文件存儲在服務端,感興趣的可以了解一下2021-07-07