node.js 基于cheerio的爬虫工具的实现（需要登录权限的爬虫工具）

公司有过一个需求,需要拿一个网页的的表格数据，数据量达到30w左右；为了提高工作效率。

结合自身经验和网上资料。写了一套符合自己需求的nodejs爬虫工具。也许也会适合你的。

先上代码。在做讲解

'use strict';
// 引入模块
const superagent = require('superagent');
const cheerio = require('cheerio');
const excel = require('exceljs');
var baseurl = '';
var cookies = 'phpsessid=1c948cafb361cb5dce87122846e649cd'; //伪装的cookie
let pagedatas = [];
let count = 1;
let limit = 3;
for (count; count < limit; count++) { 
  baseurl = `http://bxjd.henoo.com/policy/policylist?page=${count}`;
  loadpage(baseurl); 
}
function loadpage(baseurl) { 
   getpageload(baseurl);
} 
async function getpageload(baseurl) {
  try {
    let body = await superagent.get(baseurl)
      .set("cookie", cookies)
    var $ = cheerio.load(body.text);
    var trlist = $("#tablelist").children("tr");  
      for (var i = 0; i < trlist.length; i++) { 
        let item = {};
        var tdarr = trlist.eq(i).find("td");
        var id = tdarr.eq(0).text();
        item.sortid = id;
        var detailurl = `http://bxjd.henoo.com/policy/view?id=${id}`;
        item.policyid = tdarr.eq(1).text();
        item.policyproductname = tdarr.eq(2).text();
        item.policyname = tdarr.eq(3).text();
        item.policymoney = tdarr.eq(4).text();
        let detailbody = await superagent.get(detailurl)
          .set("cookie", cookies);
        var $$ = cheerio.load(detailbody.text);
        var detailt = $$(".table-view");     
        //投保人证件号
        item.policyidnum = detailt.find("tr").eq(11).find("td").eq(1).text();
        //投保人手机号
        item.policyphone = detailt.find("tr").eq(10).find("td").eq(1).text();
        //被保人手机号
        item.bepoliciedphone = detailt.find("tr").eq(16).find("td").eq(1).text();      
        //被保人姓名
        item.bepoliciedname = detailt.find("tr").eq(13).find("td").eq(1).text();
        console.log(item.bepoliciedname)
        //被保人证件号
        item.bepoliciedidnum = detailt.find("tr").eq(17).find("td").eq(1).text();
        pagedatas = [...pagedatas,item];
      }
    if (pagedatas.length / 15 == (count - 1)) { 
      writexls(pagedatas)
    }
  } catch (error) {
  }
}
function writexls(pagedatas) {
  const workbook = new excel.workbook();
  const sheet = workbook.addworksheet('my sheet');
  const recolumns=[
    {header:'序号',key:'sortid'},
    {header:'投保单号',key:'policyid'},
    {header: '产品名称', key: 'policyproductname'},
    {header: '投保人姓名', key: 'policyname' },
    {header: '投保人手机号', key: 'policyphone' },
    {header: '投保人证件号', key: 'policyidnum'},
    {header: '被保人姓名', key: 'bepoliciedname' },
    {header: '被保人手机号', key: 'bepoliciedphone' },
    {header: '被保人证件号', key: 'bepoliciedidnum' },
    {header:'保费',key:'policymoney'},
  ];
  sheet.columns = recolumns;
  for(let trdata of pagedatas){
    sheet.addrow(trdata);
  }
  const filename = './projects.xlsx';
  workbook.xlsx.writefile(filename)
  .then(function() {
   console.log('ok');
  }).catch(function (error) { 
     console.error(error); 
  });
 }

代码使用方式

一、npm install 相关的依赖二、代码修改

1、修改为自己的baseurl

2、如果不需要携带cookie时将set("cookie", cookies)代码去掉

3、修改自己的业务代码

三、运行 node index四、部分代码说明

所有代码不过90行不到,操作了表格数据获取和单条数据详情的获取

接口请求的框架使用superagent的原因是拼接伪装的cookie的操作比较简单。因为有的时候我们需要获取登录后的页面数据。

这个时候可能需要请求是携带登录cookie信息。返回后的body对象通过cheerio.load之后就能拿到一个类似jquery的文档对象。

后面就可以很方便的使用jquery的dom操作方式去拿到页面内自己想要的数据了。

数据写入到excel中。

五、结果

总结