时间:2021-07-01 10:21:17 帮助过:5人阅读
这篇文章,我们就把上文中采集到的所有文章列表的信息整理一下,开始采集文章并且生成静态html文件了.先看下我的采集效果,我的博客目前77篇文章,1分钟不到就全部采集生成完毕了,这里我截了部分的图片,文件名用文章的id生成的,生成的文章,我写了一个简单的静态模板,所有的文章都是根据这个模板生成的.
项目结构:
好了,接下来,我们就来讲解下,这篇文章主要实现的功能:
1,抓取文章,主要抓取文章的标题,内容,超链接,文章id(用于生成静态html文件)
2,根据jade模板生成html文件
一、抓取文章如何实现?
非常简单,跟上文抓取文章列表的实现差不多
- function crawlerArc( url ){
- var html = '';
- var str = '';
- var arcDetail = {};
- http.get(url, function (res) {
- res.on('data', function (chunk) {
- html += chunk;
- });
- res.on('end', function () {
- arcDetail = filterArticle( html );
- str = jade.renderFile('./views/layout.jade', arcDetail );
- fs.writeFile( './html/' + arcDetail['id'] + '.html', str, function( err ){
- if( err ) {
- console.log( err );
- }
- console.log( 'success:' + url );
- if ( aUrl.length ) crawlerArc( aUrl.shift() );
- } );
- });
- });
- }
参数url就是文章的地址,把文章的内容抓取完毕之后,调用filterArticle( html ) 过滤出需要的文章信息(id, 标题,超链接,内容),然后用jade的renderFile这个api,实现模板内容的替换,
模板内容替换完之后,肯定就需要生成html文件了, 所以用writeFile写入文件,写入文件时候,用id作为html文件名称。这就是生成一篇静态html文件的实现,
接下来就是循环生成静态html文件了, 就是下面这行:
if ( aUrl.length ) crawlerArc( aUrl.shift() );
aUrl保存的是我的博客所有文章的url, 每次采集完一篇文章之后,就把当前文章的url删除,让下一篇文章的url出来,继续采集
完整的实现代码server.js:
- var fs = require( 'fs' );
- var http = require( 'http' );
- var cheerio = require( 'cheerio' );
- var jade = require( 'jade' );
- var aList = [];
- var aUrl = [];
- function filterArticle(html) {
- var $ = cheerio.load( html );
- var arcDetail = {};
- var title = $( "#cb_post_title_url" ).text();
- var href = $( "#cb_post_title_url" ).attr( "href" );
- var re = /\/(\d+)\.html/;
- var id = href.match( re )[1];
- var body = $( "#cnblogs_post_body" ).html();
- return {
- id : id,
- title : title,
- href : href,
- body : body
- };
- }
- function crawlerArc( url ){
- var html = '';
- var str = '';
- var arcDetail = {};
- http.get(url, function (res) {
- res.on('data', function (chunk) {
- html += chunk;
- });
- res.on('end', function () {
- arcDetail = filterArticle( html );
- str = jade.renderFile('./views/layout.jade', arcDetail );
- fs.writeFile( './html/' + arcDetail['id'] + '.html', str, function( err ){
- if( err ) {
- console.log( err );
- }
- console.log( 'success:' + url );
- if ( aUrl.length ) crawlerArc( aUrl.shift() );
- } );
- });
- });
- }
- function filterHtml(html) {
- var $ = cheerio.load(html);
- var arcList = [];
- var aPost = $("#content").find(".post-list-item");
- aPost.each(function () {
- var ele = $(this);
- var title = ele.find("h2 a").text();
- var url = ele.find("h2 a").attr("href");
- ele.find(".c_b_p_desc a").remove();
- var entry = ele.find(".c_b_p_desc").text();
- ele.find("small a").remove();
- var listTime = ele.find("small").text();
- var re = /\d{4}-\d{2}-\d{2}\s*\d{2}[:]\d{2}/;
- listTime = listTime.match(re)[0];
- arcList.push({
- title: title,
- url: url,
- entry: entry,
- listTime: listTime
- });
- });
- return arcList;
- }
- function nextPage( html ){
- var $ = cheerio.load(html);
- var nextUrl = $("#pager a:last-child").attr('href');
- if ( !nextUrl ) return getArcUrl( aList );
- var curPage = $("#pager .current").text();
- if( !curPage ) curPage = 1;
- var nextPage = nextUrl.substring( nextUrl.indexOf( '=' ) + 1 );
- if ( curPage < nextPage ) crawler( nextUrl );
- }
- function crawler(url) {
- http.get(url, function (res) {
- var html = '';
- res.on('data', function (chunk) {
- html += chunk;
- });
- res.on('end', function () {
- aList.push( filterHtml(html) );
- nextPage( html );
- });
- });
- }
- function getArcUrl( arcList ){
- for( var key in arcList ){
- for( var k in arcList[key] ){
- aUrl.push( arcList[key][k]['url'] );
- }
- }
- crawlerArc( aUrl.shift() );
- }
- var url = 'http://www.cnblogs.com/ghostwu/';
- crawler( url );
layout.jade文件:
- doctype html
- html
- head
- meta(charset='utf-8')
- title jade+node.js express
- link(rel="stylesheet", href='./css/bower_components/bootstrap/dist/css/bootstrap.min.css')
- body
- block header
- div.container
- div.well.well-lg
- h3 ghostwu的博客
- p js高手之路
- block container
- div.container
- h3
- a(href="#{href}" rel="external nofollow" ) !{title}
- p !{body}
- block footer
- div.container
- footer 版权所有 - by ghostwu
后续的打算:
1,采用mongodb入库
2,支持断点采集
3,采集图片
4,采集小说
等等....
以上这篇Node.js+jade抓取博客所有文章生成静态html文件的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。