nodejs抓取别人家的页面的始末-nodejs抓取网页内容

内容：分析并获取页面调取数据的API(接口)，并跨域获取数据保存在文档中(nodejs做代理－CORS)

事由以及动机

2015年9月份全国研究生数学建模竞赛的F题，旅游线路规划问题。其中需要自己去查很多数据。例如所给201个***级景区的位置，以及景区距离所在省会距离等等～开始队友小伙伴准备从百度手动去一个一个查询，但是效率极低，在这么短的时间内，需要收集这么多数据是多么的耗时，并且也不能把大把时间花费在查资料上，虽然说查资料是必须的，题目也鼓励我们从网上查询相关数据，因此在团队中的我就想到了让计算机帮我们去做这件事。

***步，确定想要抓取的信息，获取数据服务api

以查询个两地的行车时间为例，我们以百度地图为例，见下图

先打开需要去请求数据的网页，打开开发人员工具（我用的是chrome），选择Network选项卡，输入需要查询的内容（tips：先清除掉之前的网络获取纪录，以方便接下来的借接口分析）。

点击“查询”，并监控网络数据流，会发现网页发起了很多的http请求，并返回了结果。

通过分析所有请求，拿到想要的请求接口（一般情况下，都不会是Type为图片类型的，并且耗时较长的）。

点击某个请求时能看到该请求的详细信息

查看请求的头部信息Headers

拿到请求的地址：requestURL，例如：http://map.baidu.com/?newmap=1&reqflag=pcmap& biz=1&pcevaname=pc2&da_par=direct&from=webmap&qt=nav&da_src=pcmappg.searchBox.button&c=289&sn=2$$$$$$%E4%B8%8A%E6%B5%B7%E5%B8%82$$0$$$$&en=2$$$$$$%E5%8C%97%E4%BA%AC%E5%B8%82$$0$$$$&sc=289&ec=289&rn=5&extinfo=63&tn=B_NORMAL_MAP&nn=0&ie=utf-8&l=12&b=(13503777.31,3639994.64;13542753.31,3642234.64)&t=1443022534161

并分析，一般我们要看的是URL中的querey部分，也就是？后面的内容，一般来说由很多（字母＋百分号）构成的为中文字符，是汉字被url转码获得。可以把该地址拿到地址栏查询一下，汉字的内容

那我们的数据服务API就拿到了

编写数据访问页面

接下来就是利用XMLHTTPRequerst来调取他人的服务了

<!DOCTYPE html> 
<html lang="en"> 
<head> 
    <meta charset="UTF-8"> 
    <title>getData</title> 
</head> 
<body> 
    <script src="http://code.jquery.com/jquery-2.1.4.min.js"></script> 
    <script> 
        var sn="北京市"; 
        var en="上海市"; 
        var url="http://map.baidu.com/?newmap=1&reqflag=pcmap&biz=1&pcevaname=pc2&da_par=direct&from=webmap&qt=nav&da_src=pcmappg.searchBox.button&c=289&sn=2$$$$$$"+ 
        sn+"$$0$$$$&en=2$$$$$$"+ 
        en+"$$0$$$$&sc=289&ec=289&rn=5&extinfo=63&tn=B_NORMAL_MAP&nn=0&ie=utf-8&l=12&b=(13503777.31,3639994.64;13542753.31,3642234.64)&t=1443022534161"; 
 
        $.ajax({ 
            url:url, 
            type:"get", 
            success:function(res){ 
                console.log(res) 
            }, 
            error:function(e){ 
                console.log(e) 
            } 
        }) 
    </script> 
</body> 
</html> 
 
html

运行察看结果：

跨域提示错误，跨域（见为什么浏览器不能跨域http://www.cnblogs.com/alvinwei1024/p/4626054.html）是浏览器的行为。

方法1: 通过jsonp的方法

<!DOCTYPE html> 
<html lang="en"> 
<head> 
    <meta charset="UTF-8"> 
    <title>getData</title> 
</head> 
<body> 
    <script src="http://code.jquery.com/jquery-2.1.4.min.js"></script> 
    <script> 
        var sn="北京市"; 
        var en="上海市"; 
        var url="http://map.baidu.com/?newmap=1&reqflag=pcmap&biz=1&pcevaname=pc2&da_par=direct&from=webmap&qt=nav&da_src=pcmappg.searchBox.button&c=289&sn=2$$$$$$"+ 
        sn+"$$0$$$$&en=2$$$$$$"+ 
        en+"$$0$$$$&sc=289&ec=289&rn=5&extinfo=63&tn=B_NORMAL_MAP&nn=0&ie=utf-8&l=12&b=(13503777.31,3639994.64;13542753.31,3642234.64)&t=1443022534161"; 
 
        $.ajax({ 
            url:url, 
            type:"get", 
            dataType:"jsonp", 
             jsonp:"callback", 
            success:function(res){ 
                console.log(res) 
            }, 
            error:function(e){ 
                console.log(e) 
            } 
        }) 
    </script> 
</body> 
</html> 
 
html

运行结果：获取到想要的数据

可以拿到，北京到上海的距离1208548，时间48617以及距离等。

dis: 1208548
kps: Array[38]
rss: Array[38]
taxi: Object
time: 48617
toll: 580

#p#

方法二：CORS

除了方法以利用jsonp跨域外，还可以通过服务器做一个代理，通过cors绕过原来资源不允许跨域的限制。

本文利用node来做服务器，原因很简单，最方便，几句代码就能搞定，方便又快捷。

var http = require('http'); 
var request_ = require('request'); 
var urlencode2=require("urlencode2"); 
var url=require('url') 
http.createServer(function (request, response) { 
     var arg1 = url.parse(request.url, true).query;  
    var sn=arg1.sn; 
    var en=arg1.en; 
    var req_url="http://api.map.baidu.com/?qt=nav&c=131&sn=2%24%24%24%24%24%24%20"+ 
          urlencode2(sn,'gbk')+"%24%240%24%24%24%24&en=2%24%24%24%24%24%24"+ 
          urlencode2(en,'gbk')+"%24%240%24%24%24%24&sy=0&ie=utf-8&oue=1&fromproduct=jsapi&res=api&callback=BMap._rd._cbk54249"; 
      request_.get({ 
            url:req_url, 
            json:true 
        }, 
        function(error, response_, body) { 
          if (!error && response_.statusCode == 200) { 
            var res=-1; 
            if(body){ 
              res=body.split(',"toll":')[0];//time  s 
              res=res.split('"time":')[2]; 
              console.log(res) 
              if(!res){ 
                res=-1; 
              } 
              else{ 
                res=res/60; 
              } 
            } 
            response.writeHead(200, { 
                "Content-Type": "text/html; charset=UTF-8", 
                'Access-Control-Allow-Origin':request.headers.origin 
            }); 
            response.end(res+'\n'); 
          } 
          else{ 
            // console.log(error) 
          } 
        } 
    ) 
}).listen(8888); 
// 终端打印如下信息 
console.log('Server running at http://127.0.0.1:8888/'); 
 
nodejs

其中，本文用到了request（用于发起http请求）模块和urlencode2（主要用于URLEncode）模块

request安装：

npm install request

详见：https://github.com/request/request

urlencode2安装：

详见：https://github.com/node-modules/urlencode

1 var http = require('http');
2 http.createServer(function (request, response) {
3 //...
4 response.end('welcome baby');
5 }).listen(8888);

这几句简单的代码就搭建了一个web服务，端口号是8888

$ node 文件名.js

在终端输入以上指令即可允许该服务。

1 var arg1 = url.parse(request.url, true).query;
2     var sn=arg1.sn;
3     var en=arg1.en;
4     var req_url="http://api.map.baidu.com/?qt=nav&c=131&sn=2%24%24%24%24%24%24%20"+ 5 urlencode2(sn,'gbk')+"%24%240%24%24%24%24&en=2%24%24%24%24%24%24"+ 6           urlencode2(en,'gbk')+"%24%240%24%24%24%24&sy=0&ie=utf-8&oue=1&fromproduct=jsapi&res=api&callback=BMap._rd._cbk54249";

以上是获取查询参数并拼接请求字符串

然后利用request向目标服务器发送请求，并解析出需要的信息

最重要的是以下代码：

1 response.writeHead(200, {
2 "Content-Type": "text/html; charset=UTF-8", 3 'Access-Control-Allow-Origin':request.headers.origin 4 }); 5 response.end(res+'\n');

允许所有用户跨域访问，因此我们就能访问自己搭建的web服务了。

我在前端页面只需，请求我们的地址http://localhost:8888

并且指定sn（start node）与 en（end node）一并发送到服务器即可。

作者：AlvinWei 文章出处：韦躐晟的博客 http://www.cnblogs.com/alvinwei1024/p/4834045.html