转载

nodejs抓取别人家的页面的始末

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5A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。

第一步,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

nodejs抓取别人家的页面的始末

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。

nodejs抓取别人家的页面的始末

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

nodejs抓取别人家的页面的始末

查看请求的头部信息Headers

nodejs抓取别人家的页面的始末

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

nodejs抓取别人家的页面的始末

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

nodejs抓取别人家的页面的始末
 1 <!DOCTYPE html>  2 <html lang="en">  3 <head>  4     <meta charset="UTF-8">  5     <title>getData</title>  6 </head>  7 <body>  8     <script src="http://code.jquery.com/jquery-2.1.4.min.js"></script>  9     <script> 10         var sn="北京市"; 11         var en="上海市"; 12         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$$$$$$"+ 13         sn+"$$0$$$$&en=2$$$$$$"+ 14         en+"$$0$$$$≻=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"; 15  16         $.ajax({ 17             url:url, 18             type:"get", 19             success:function(res){ 20                 console.log(res) 21             }, 22             error:function(e){ 23                 console.log(e) 24             } 25         }) 26     </script> 27 </body> 28 </html>
html

nodejs抓取别人家的页面的始末

运行察看结果:

nodejs抓取别人家的页面的始末

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

nodejs抓取别人家的页面的始末
 1 <!DOCTYPE html>  2 <html lang="en">  3 <head>  4     <meta charset="UTF-8">  5     <title>getData</title>  6 </head>  7 <body>  8     <script src="http://code.jquery.com/jquery-2.1.4.min.js"></script>  9     <script> 10         var sn="北京市"; 11         var en="上海市"; 12         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$$$$$$"+ 13         sn+"$$0$$$$&en=2$$$$$$"+ 14         en+"$$0$$$$≻=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"; 15  16         $.ajax({ 17             url:url, 18             type:"get", 19             dataType:"jsonp", 20              jsonp:"callback", 21             success:function(res){ 22                 console.log(res) 23             }, 24             error:function(e){ 25                 console.log(e) 26             } 27         }) 28     </script> 29 </body> 30 </html>
html

nodejs抓取别人家的页面的始末

运行结果:获取到想要的数据

nodejs抓取别人家的页面的始末

可以拿到,北京到上海的距离1208548,时间48617以及距离等。

  1. dis 1208548
  2. kps Array[38]
  3. rss Array[38]
  4. taxi Object
  5. time 48617
  6. toll 580

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。

nodejs抓取别人家的页面的始末
 1 var http = require('http');  2 var request_ = require('request');  3 var urlencode2=require("urlencode2");  4 var url=require('url')  5 http.createServer(function (request, response) {  6      var arg1 = url.parse(request.url, true).query;   7     var sn=arg1.sn;  8     var en=arg1.en;  9     var req_url="http://api.map.baidu.com/?qt=nav&c=131&sn=2%24%24%24%24%24%24%20"+ 10           urlencode2(sn,'gbk')+"%24%240%24%24%24%24&en=2%24%24%24%24%24%24"+ 11           urlencode2(en,'gbk')+"%24%240%24%24%24%24&sy=0&ie=utf-8&oue=1&fromproduct=jsapi&res=api&callback=BMap._rd._cbk54249"; 12       request_.get({ 13             url:req_url, 14             json:true 15         }, 16         function(error, response_, body) { 17           if (!error && response_.statusCode == 200) { 18             var res=-1; 19             if(body){ 20               res=body.split(',"toll":')[0];//time  s 21               res=res.split('"time":')[2]; 22               console.log(res) 23               if(!res){ 24                 res=-1; 25               } 26               else{ 27                 res=res/60; 28               } 29             } 30             response.writeHead(200, { 31                 "Content-Type": "text/html; charset=UTF-8", 32                 'Access-Control-Allow-Origin':request.headers.origin 33             }); 34             response.end(res+'/n'); 35           } 36           else{ 37             // console.log(error) 38           } 39         } 40     ) 41 }).listen(8888); 42 // 终端打印如下信息 43 console.log('Server running at http://127.0.0.1:8888/');
nodejs

nodejs抓取别人家的页面的始末

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。

相关代码: https://github.com/AlvinWei1024/blog-resources/tree/master/20150923

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

本文版权归作者和博客园共有,欢迎转载

转载请说明原文章出处

总结:

本文所用实例的百度地图api无需这么费劲去解析,可以使用其公布的公共API接口,但是每天的访问次数有10w次的限制。

正文到此结束
Loading...