如何利用js做个爬虫获取最新的娱乐新闻

一、引言

最近娱乐圈比较的火的算是郑爽事件了，作为一名程序猿如何能或者最新的娱乐热点新闻呢？ 今天咱们就用js做一个网络爬虫，来爬取一个网站的新闻数据。

二、什么是爬虫？

网络爬虫，又称为网页蜘蛛，网络机器人，意思是我们通过程序去搜集网络上某些网站的数据。典型的通过爬虫获取数据的网站，比如百度、谷歌等搜索引擎。还有一些新闻聚合类网站，比如今日头条等网站。之前淘宝的一淘，返利网等网站都是利用了爬虫技术去获取别人网站的一些信息。 爬虫也不能乱用，无限制的去爬取一个网站的信息，那样会导致人家公司服务器压力比较大。之前有句爬虫界比较流行的话：爬虫玩的好,监狱进的早;数据玩的溜,牢饭吃个够！做技术的要有自己的底线，之前有程序员用爬虫为公司做了一些工作，结果公司被诉讼，程序猿被带走！

三、开始之前

为了防止出一些意外，首先我们可以访问你要爬取的目标网站的robots协议。 robots协议也叫robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络爬虫：此网站中的哪些内容是不应被爬虫获取的，哪些是可以被爬虫获取的。参考robots.txt去爬取数据，再设置一下间歇时间，不会有人在意的。

首先看一下我们今天要爬取网站的

robots协议bbs.hupu.com

红色部分是关键，所有的网页都不能被爬取！！有句话不知当讲不当讲！

冷静下来，文章还没写就要结束了吗？我的kpi咋办！！！

看看我们的今天要爬取的网页地址，我们今天要爬取的网页后缀名不是html！！！

不知道是不是网站的技术人员忽略了这样的地址，哈哈哈。

四、正式开始

我们使用nodejs做爬虫，要使用到两个npm包，cheerio 和 axios

首先按照nodej，然后安装axios和cheerio 。

五、安装axios

axios是一个可以发起请求从而获取网页内的包。

键盘上按win+r

输入cmd 就打开了终端

终端中输入

npm i aixos

就可以安装axios

六、安装cheerio

安装cheerio cheerio 是一的用法跟jQuery的用法差不多。 就是先将页面的数据load进来形成一个特定的数据格式，然后通过类似jq的语法，对数据进行解析处理。 终端中输入

npm i cheerio

七、爬取数据

新建sp.js文件，写入如下代码

// 引入包
const axios = require('axios')
const cheerio = require('cheerio')
// 要爬取页面的地址
let url ='https://bbs.hupu.com/4856'

// 请求页面数据
axios.get(url).then(res=>{
    // res.data 就是页面的数据
    console.log(res.data);
    // 将页面数据转为$对象
    let $ = cheerio.load(res.data);
    
})

执行node sp.js 命令

网页的数据已经获取到了，然后我们就可以使用jquery的语法获取页面中的数据了。 下面我们分析一下页面的结构

可以看到页面中所有的新闻标题都在a标签中，类名是truetit。然后我们就可以使用jq的选择器获取页面中所有类名为truetit的元素。

// 引入包
const axios = require('axios')
const cheerio = require('cheerio')
// 要爬取页面的地址
let url ='https://bbs.hupu.com/4856'

// 请求页面数据
axios.get(url).then(res=>{
    // res.data 就是页面的数据
    // console.log(res.data);
    // 将页面数据转为$对象
    let $ = cheerio.load(res.data);
    let arr = []
    // 将a标签的数据放到数组中
    $('.truetit').each(function(i,v){
        arr.push($(v).text())
    })
    console.log(arr);

})

终端中结果

这样每次执行就可以获取最新的娱乐新闻，不需要打开网页就可以获取到，当然我们只是获取了第一页的数据，你也可以获取第二页、第三页等其他页面的数据。 我们现在相当于只获取了一个网站的娱乐数据，如果你再分析一些其他的网站，获取一些其他的网站的数据，然后把数据都存储起来，自己就可以做一个只显示娱乐新闻的网站了！