最近寒假在家学习Node.js开发，光看书或者跟着敲代码还不够，得找一点有趣的事情来玩一玩，于是我决定写一个Node爬虫，爬取一些有意思或者说是有用的数据。这个决定只与我的兴趣有关，与Python或者Node或者Java等等谁更适合写爬虫无关，与爬取多少数据无关，与爬取的对象无关。

1 确定爬取目标

在写Node爬虫之前，我们先要确定爬取的网站目标。

这个目标的选择有一定的标准，首先得具有可行性，必须能够爬取到这个网站上的数据,否则一切都是空谈；其次，网站上数据的真实性或者数据量必须满足你的需求；最后，网站的响应速度也是我们需要考虑的一个因素。

基于这些标准，我选择了智联招聘网站作为我的爬取目标，爬取的数据是全国主要城市的主要软件工作岗位的招聘数据。

2 写一个Node爬虫

2.1 探寻网站风格

确定爬取目标之后，我们就可以着手写Node爬虫了。由于每一个网站的代码风格不同，我们针对不同网站所写的爬虫也会不同。

在写爬虫之前，我们需要先查看一下智联招聘网站的url风格，以及代码风格。

在智联招聘的首页，我们可以发现一个搜索栏，填入工作和地点之后，我们就可以点击搜索查看对应招聘信息，这时候我们可以探究一下智联招聘url中暗藏的秘密。当我选择珠海城市的Web开发岗位的时候，我的url是下图这样的：

多试几次，或者把鼠标放在下图中的链接上。

我们就可以发现url中参数的意义所在。

其他参数我们不用管，我们只需要知道sj是岗位代码，p是当前数据页码（搜索结果可能有很多页，智联招聘是每页60条记录），jl是城市就可以了。知道这两个参数的意义之后，我们就可以通过组合url来获取不同城市不同岗位的招聘信息了。

2.2 解析HTML文本

在Node中组合url，然后通过http模块的get方法，我们可以获取到来自智联招聘网站的响应。

function getData(pageNo, job, jobLocation, jobsCount){

    var url = encodeURI(`http://sou.zhaopin.com/jobs/searchresult.ashx?bj=160000&sj=${variables.jobs[job]}&in=160400&jl=${jobLocation}&p=${pageNo}&isadv=0`);

    var jobs = [];

    console.log(`${job}-${jobLocation}...`);

    return new Promise((resolve, reject)=>{

        try{

            http.get(url, (res)=>{

不难发现我们得到的响应是一个html文件，我们可以通过解析html文本来获取其中的数据信息。最直接的方法是通过RegExp，但是获取的信息较多时会比较麻烦。

我选择的是通过第三方库——cheerio，来解析HTML文本。这个库使用起来简单方便，能够让你在V8引擎中通过jQuery操作DOM节点的方式解析HTML文本信息。

$('table.newlist').each((k, v)=>{

                        var job = {};

                        job.company = $('td.gsmc', v).text();

                        job.salary = $('td.zwyx', v).text();

                        job.name = String($('td.zwmc>div', v).text()).replace(/\s/g, '');

                        job.location = jobLocation;

                        if(job.company !== '' && job.salary !== '面议'){

                            jobs.push(job);

                        }

                    });

上面这段代码就是我通过cheerio解析HTML文本的代码。

在同时发起多个请求时，有可能会漏掉一些请求，我认为是并发太多导致服务器没有响应，应该通过setTimeout函数延迟一下多个请求。这一点在我将处理后的数据存到LeanCloud平台时得到了验证。

3 存储爬取到的数据

我选择的是MongoDB作为我的后台数据库，因为MongoDB以文档形式存储数据，数据格式是BSON，与Node.js的亲和性很好。

MongoDB操作简单，性能很高，能够满足我的开发需求。

在官网下载MongoDB的Windows安装包之后（需要科学上网），在Windows平台安装，最好不要安装自带的可视化工具，因为会消耗相当长的时间，我们可以选择Robo 3T作为替代品。其他安装过程可以自行百度。

我们在Node中使用MongoDB需要先通过MongoDB Driver，我选择的是mongodb。

通过

npm install mongodb --save

就可以安装，然后在Node代码中通过

require('mongodb')

引入。

存储代码：

const MongoClient = require('mongodb').MongoClient;

//将数据写入数据库

function writeDB(type, realJobs){

    MongoClient.connect('mongodb://localhost:27017', (e, db)=>{

        assert.ifError(e);

        var jobs = db.db('jobs');

        var collection = jobs.collection('jobs');

        realJobs.forEach((job)=>{

            collection.insert(Object.assign({}, job, { type }));

        });

        db.close();

    });

}

4 通过Node解析数据

通过爬虫获取的数据还只是原始数据，我需要通过Node将其转化为我需要的数据，比如对深圳的Web前端开发岗位薪资取平均值。

这一过程简而言之就是将数据从MongoDB中取出来，然后取平均值。处理之后的代码我将它们存到了LeanCloud上，以便于我的前端展示页面调用。

5 前端页面展示

我使用React框架写前端页面，综合React Router插件实现客户端路由，后台数据存储在LeanCloud上，通过LeanCloud的SDK即可在前端页面实现数据查询。

图表的展示我使用echarts插件，这款插件由百度团队开发，使用起来已经不比highcharts差了，性能方面表现感觉很出色。

6 总结

这次开发极大地增强了我的学习兴趣，通过爬取的数据我也对软件行业在各城市的发展有了一定的了解。这一次从后端到前端的开发，让我学到了新的知识，也复习了之前学习过的旧知识，受益匪浅。

文章发表在我的个人博客，欢迎访问！

巴特西

总结：从Node爬取数据到前端图表展示