NodeJS写个爬虫，把文章放到kindle中阅读

louyaoluan

　　这两天看了好几篇不错的文章，有的时候想把好的文章 down 下来放到 kindle 上看，便写了个爬虫脚本，因为最近都在搞 node，所以就很自然的选择 node 来爬咯～
　　本文地址：http://www.cnblogs.com/hustskyking/p/spider-with-node.html，转载请注明源地址。
　　所谓爬虫，可以简单理解为利用程序操作文件，只是这些文件不在本地，需要我们拉取过来。

一. 爬虫代码解析

1. 拿到目标页码源码
　　Node 提供了很多接口来获取远程地址代码，就拿 AlloyTeam 的页面举例吧，把他首页几篇文章的信息爬取过来。因为 AlloyTeam 使用的协议是 http:// ，本文就不介绍 Node 中 https:// 的使用了。



var http = require("http");
var url = "http://www.alloyteam.com/";
var data = "";
// 创建一个请求
var req = http.request(url, function(res){
// 设置显示编码
res.setEncoding("utf8");
// 数据是 chunked 发送，意思就是一段一段发送过来的
// 我们使用 data 给他们串接起来
res.on('data', function(chunk){
data += chunk;
});
// 响应完毕时间出发，输出 data
res.on('end', function(){
// dealData(data);
        console.log(data);
});
});
// 发送请求
req.end();
　　上面短短七八行代码，就拿到了 AlloyTeam 首页的代码，真的十分简单，如果是 https:// 就得引用 https 模块咯，都是差不多的。

2. 正则提取目标内容
　　先看下我们要抓取的内容：

　　由于没有使用其他库，我们没办法像操作 DOM 一样获取目标内容，不过写正则也挺简单的，比如我们要 获取标题/文章链接/摘要 这些内容，正则表达式为：



// function dealData
var reg = /<ul\s+class="articlemenu">\s+<li>\s+<a[^>]*>.*?<\/a>\s+<a href="(.*?)"[^>]*>(.*?)<\/a>[\s\S]*?<div\s+class="text">([\s\S]*?)<\/div>/g;
var res = [];
while(match = reg.exec(data)) {
res.push({
"url": match[1],
"title": match[2],
"excerpt": match[3]
});
}
　　这里的正则看起来有点晦涩，不过呢，正则在编程中十分基础的东西，如果没有太多的了解，建议先去搞清楚，这里就不细说啦。这里要强调的一点是：



reg.exec(data);
　　如果只写上面这句话，只会拿到第一个匹配结果，所以需要使用 while 循环来处理，没处理一次，正则匹配的位置就会往后推一下。其实上面这条语句执行后返回的是一个对象，其中包含一个 index 属性，具体可以查阅 JavaScript 正则的内容。
　　这里返回（res）的数据格式是：



[{
"url: url,
"title": title,
"excerpt" excerpt
}];
3. 数据的过滤
　　上面虽然拿到了内容，不过我们需要的是纯文本，其他标签什么的得过滤掉，excerpt 中包含了一些标签：



var excerpt = excerpt.replace(/(<.*?>)((.*?)(<.*?>))?/g, "$3");
　　虽说文章中有很多代码，有些标签是不应该删除的，不过这里是摘要内容，这些内容的标签都删除掉，方便我们储存。然后把长度处理下：



excerpt = excerpt.slice(0, 120);
4. 存到数据库（或者文件）
　　我这里是把文件储存到文件之中，存放格式为：



[title](url)
> excerpt
　　哈哈，很熟熟悉吧，markdown 语法，看起来也比较清晰。



var str = "";
for(var i = 0, len = data.length; i < len; i++){
str += "[" + data.title + "](" + data.url + ")\n" + data.excerpt.replace("\n\s*\n?", ">\n") + "\n\n";
}
　　先拼接数据，然后写入到文件：



fs.writeFile('index.md', str, function (err) {
if (err) throw err;
console.log('数据已保存～');
});
　　大功告成，过程其实是很简单的。拿到的内容（Linux 下，字体真丑！）：

二. 源码与小结
　　如果对正则不太熟悉，上面的工作是不太好完成的，很多开发者为 Node 提供了工具库，使用 npm 可以安装，如果不习惯正则，使用一些工具包辅助处理，可以把拿到的数据当作 DOM 来解析。
　　我了解到的有一个叫做 node-jquery 的库貌似还不错，具体请读者自己去网上搜吧，应该挺多的。
　　上面的代码都是随手写的，没有做什么容错的机制，也只爬取了首页的内容，不过思路都是一样的，拿到 URL 之后再写个循环，其他页面的内容也就到手了。
　　源码没几行：





var http = require("http");
var fs = require("fs");
var url = "http://www.alloyteam.com/";
var data = "";
var req = http.request(url, function(res){
res.setEncoding("utf8");
res.on('data', function(chunk){
data += chunk;
});
res.on('end', function(){
dealData(data);
});
});
req.on('error', function(e){
throw e;
});
req.end();
console.log("数据下载中...");

function dealData(data){
var reg = /<ul\s+class="articlemenu">\s+<li>\s+<a[^>]*>.*?<\/a>\s+<a href="(.*?)"[^>]*>(.*?)<\/a>[\s\S]*?<div\s+class="text">([\s\S]*?)<\/div>/g;
var res = [];
while(match = reg.exec(data)) {
res.push({
"url": match[1],
"title": match[2],
"excerpt": match[3].replace(/(<.*?>)((.*?)(<.*?>))?/g, "$3").slice(0,120)
});
}
writeFile(res)
}
function writeFile(data){
var str = "";
for(var i = 0, len = data.length; i < len; i++){
str += "[" + data.title + "](" + data.url + ")\n>" + data.excerpt.replace(/\n\s*\n?/g, "\n>") + "\n\n";
}
fs.writeFile('index.md', str, function (err) {                                                                                                
if (err) throw err;
console.log('数据已保存～');
});
}
爬虫源码 spider.js　　在 node 环境中：



node spider.js
　　就可以在同级目录下看到 index.md 文件了。至于如何放到 kindle 中，先了解下 OPF 格式，然后使用 Amazon 的 KindleGen 工具打包就行啦。

三. 参考资料

• http://nodejs.org/api/fs.html
  
• http://nodejs.org/api/http.html