使用nodejs爬取前程无忧前端技能排行

所属分类：网络编程 / JavaScript 阅读数： 1519

收藏 0赞 0分享

最近准备换工作，需要更新一下技能树。为做到有的放矢，想对招聘方的要求做个统计。正好之前了解过nodejs，所以做了个爬虫搜索数据。

具体步骤：

1．先用fiddler分析请求需要的header和body。

2．再用superagent构建上述数据发送客户端请求。

3．最后对返回的数据使用cheerio整理。

折腾了几个晚上，只搞出了个架子，剩余工作等有时间再继续开发。

/*使用fiddler抓包，需要配置lan代理，且设置如下参数*/
process.env.https_proxy = "http://127.0.0.1:8888";
process.env.http_proxy = "http://127.0.0.1:8888";
process.env.NODE_TLS_REJECT_UNAUTHORIZED = "0";
/*使用到的模块*/
var request = require('superagent');  //发送客户端请求
require('superagent-proxy')(request);  //使用代理发送请求
var cheerio = require('cheerio');    //以jq类似的方法操作返回的字符，不需要用正则
require('superagent-charset')(request);//node不支持gbk,gb2312,this will add request.Request.prototype.charset.
var async = require('async');      //异步流控制模块
var fs = require('fs');
/*相关参数，通过fiddler抓包后复制过来*/
var ws = fs.createWriteStream('res.html',{flags:'w+'}); //a+追加的读写模式，w+覆盖
var loginUrl = "https://login.51job.com/login.php";
var searchUrl = "http://search.51job.com/jobsearch/search_result.php";
var queryStrings = "fromJs=1&jobarea=020000&keyword=%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91&keywordtype=2&lang=c&stype=2&postchannel=0000&fromType=1&confirmdate=9";
var loginForms = {
  lang: 'c',
  action: 'save',
  from_domain: 'i',
  loginname: '***',  //自己的用户名和密码
  password: '***',
  verifycode: '',
  isread: 'on'
};
var searchForms = {
  lang: 'c',
  stype: '2',
  postchannel: '0000',
  fromType: '1',
  line: '',
  confirmdate: '9',
  from: '',
  keywordtype: '2',
  keyword: '%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91',
  jobarea: '020000',
  industrytype: '',
  funtype: ''
};
var searchFormsString='lang=c&stype=2&postchannel=0000&fromType=1&line=&confirmdate=9&from=&keywordtype=2&keyword=%C7%B0%B6%CB%BF%AA%B7%A2&jobarea=020000&industrytype=&funtype=';
var proxy0 = process.env.https_proxy;
var proxy = process.env.http_proxy;
const agent = request.agent();     //agent()方法产生的实例会保存cookie供后续使用
request.post(loginUrl).proxy(proxy0).send(loginForms).end(function (err,res0) {
  agent.post(searchUrl)
    .proxy(proxy)          //proxy()方法需紧跟在method方法之后调用，否则fiddler抓不到数据包
    .type('application/x-www-form-urlencoded')
    .query(queryStrings)  　　　　//使用字符串格式
    .send(searchFormsString)
    .charset('gbk')        //通过charset可知编码字符格式，不设置会有乱码
    .end(function (err, res) {
      /* 以下是处理返回数据的逻辑代码*/
      var $ = cheerio.load(res.text);  //res.text是返回的报文主体
      async.each($('.el.title').nextAll('.el'), function(v, callback) {
        //将多余的内容删除，保留岗位、公司链接
        $(v).prepend($(v).find('.t1 a'));
        $(v).find('.t1').remove();
        ws.write($.html(v), 'utf8');
      }, function(err) {
        console.log(err);
      });
      console.log('successful');
    })
});
//jquery内置document元素为root，cheerio需要通过load方法传入，然后用选择器查找指定元素，再执行相应操作。
// $.html(el);静态方法，返回el元素的outerHtml
//TODO
// 1.当前只请求到一页数据，还需构建所有页数的请求列表
// 2.向每条数据的岗位链接发送请求，获取技能关键字，存入文件中
// 3.node中io操作是异步的，且没有锁的概念，如何并发地向同一个文件正确地写入数据

结果显示如下：