教你怎么在nodejs下解析html

nodejs环境下html的解析

nodejs环境下，对妹子图网站的数据进行获取/解析/并利用express对客户端进行json数据的返回。
本文主要解决了：1.jquery解析请求过来的html如何实现的问题；2.nodejs环境下jquery重度使用者的替代函数库的问题；3.nodejs下，如何发送ajax请求的问题（ajax请求，本身就是一个request请求）；4. 本文用实际的案例来介绍了如何使用cheerio进行dom操作。

使用者需要安装npm模块：cheerio
另外推荐使用npm模块:nodemon，可以对nodejs的程序进行热部署

引言

微信小程序平台的基本要求是：
1. 数据服务器必须要是https协议的service接口
2. 微信小程序不是html5，不支持dom解析和window操作
3. 测试版本可以用第三方的数据服务接口，正式版本不允许用第三方的接口（当然，这里说的是多个第三方数据接口）。

在APICLOUD平台下，我们可以使用html5配合jquery等类库来实现dom数据的解析，来解决数据源不是json格式的问题（html下利用jquery加载html5中的数据，回头整理一下之前学习apicloud平台api的时候，做的测试app），但是在微信小程序平台下，解析html元素基本上是没有办法的。在本文撰写之前，我在网上看到有说用underscore来代替jquery做dom解析的回答，我搞了半天，发现还是不是那么顺手。

因此，本文提出的方案是为了解决两个问题：
1. 利用自己的服务器，给自己的微信小程序提供第三方网站的html数据转换服务，将第三方的html元素解析出自己需要的元素，在nodejs平台下，利用request模块来完成数据请求，利用cheerio模块来完成html的解析。
2. 在nodejs平台下，虽然有jquery模块，但是用起来还是有很多问题的。网上有一贴被给个网站复制的帖子，给出的在nodejs环境下使用jquery的方法，经过我的实际测试，发现并不能顺利的进行上手编写代码。

因此，本文的行文思路：1. 对数据源进行分析; 2. 对request进行简单的介绍；3.对cheerio模块的常用方法进行简单的介绍；4. 编写在nodejs下，利用express模块来实现json数据的提供。

数据源分析

数据列表的分析

按照大多数程序的套路，对第三方数据源的操作多是爬虫案例，那么本文的案例应该也是宅男福利了吧。本文的目标地址是：http://m.mmjpg.com.

从上图中，可以看到，每个http://m.mmjpg.com/mm/958/数组序号页面都有一张图片，且这张图片的地址也很规范，为http://img.mmjpg.com/2017/958/1.jpg。那后面的事情就很简单了，我们只需要知道当前图片集一共有多少张，就可以根据规则来拼接出所有图片的地址了。那这里，对详情页数据的获取，我们只需要对第一个图片的页面进行数据的获取就可以了。主要获取的数据是第（1/N）张和class为content的p下面第一个img标签的src就可以了。

那，上面对数据源的介绍，就是这么多，其他的数据源的分析都是这样的一个思路。相信列位看官一定能够得到自己想要获取的数据。

request模块简介

request模块让http请求变的更加简单。

最简单的一个示例：

var request = require(&＃39;request&＃39;); 
request(&＃39;http://www.google.com&＃39;, function (error, response, body) {
    if (!error && response.statusCode == 200) {
        console.log(body);
    }
})

抓取网上的图片，保存到本地

var fs=require(&＃39;fs&＃39;);var request=require(&＃39;request&＃39;);
request(&＃39;http://n.sinaimg.cn/news/transform/20170211/F57R-fyamvns4810245.jpg&＃39;).pipe(fs.createWriteStream(&＃39;doodle.png&＃39;));

将本地的file.json文件上传到mysite.com/obj.json

fs.createReadStream(&＃39;file.json&＃39;).pipe(request.put(&＃39;http://mysite.com/obj.json&＃39;))

将google.com/img.png上传到mysite.com/img.png

request.get(&＃39;http://google.com/img.png&＃39;).pipe(request.put(&＃39;http://mysite.com/img.png&＃39;))

表单提交到service.com/upload

var r = request.post(&＃39;http://service.com/upload&＃39;)var form = r.form()
form.append(&＃39;my_field&＃39;, &＃39;my_value&＃39;)
form.append(&＃39;my_buffer&＃39;, new Buffer([1, 2, 3]))
form.append(&＃39;my_file&＃39;, fs.createReadStream(path.join(dirname, &＃39;doodle.png&＃39;))
form.append(&＃39;remote_file&＃39;, request(&＃39;http://google.com/doodle.png&＃39;))

HTTP认证

request.get(&＃39;http://some.server.com/&＃39;).auth(&＃39;username&＃39;, &＃39;password&＃39;, false);

定制HTTP header

//User-Agent之类可以在options对象中设置。var optiOns= {
 url: &＃39;https://api.github.com/repos/mikeal/request&＃39;,
 headers: { &＃39;User-Agent&＃39;: &＃39;request&＃39;
 }
};function callback(error, response, body) {
 if (!error && response.statusCode == 200) { var info = JSON.parse(body);
 console.log(info.stargazers_count +"Stars");
 console.log(info.forks_count +"Forks");
}
}
request(options, callback);

cheerio模块简介

cheerio为服务器特别定制的，快速、灵活、实施的jQuery核心实现.npm官网下对cheerio模块的简介：www.npmjs.com/package/cheerio

如果阅读英文文献有问题的话，nodejs中文社区下的关于cheerio的api的中文介绍：cnodejs.org/topic/5203a71844e76d216a727d2e

对jquery的对比

其实，如果在nodejs下，使用const cheerio = require(&＃39;cheerio&＃39;);这样的方式加载cheerio模块的话，将我们的html源字符串作为参数，利用cheerio的load函数进行加载的话，我们是可以完全按照在jquery环境下的编程思路，来实现对dom的解析的。

由于cheerio模块实现了大部分的jquery的函数，因此，本文在这里不进行过多的介绍。

结合代码讲述如何获取数据

通过上面的分析，我们可以看到我们的数据源不是json，而是html，对jquery来说，html应该在发送ajax请求的时候，设置dataType为text。

主要流程（jquery）：
1. 利用ajax请求，传入url和设置dataType
2. 利用$(data)将ajax得到的数据转换成jquery对象。
3. 利用jquery的find和get方法，找到需要获取的元素。
4. 利用jquery的attr和html方法，取得所需要的信息。
5. 将上述信息整合成json串或者之前对你的html进行dom操作，完成数据的加载。

主要流程（nodejs）：
1. 利用requets请求，传入url和设置dataType
2. 利用cheerio.load(body)将request得到的数据转换成cheerio对象。
3. 利用cheerio的find和get方法，找到需要获取的元素。
4. 利用cheerio的attr和text方法，取得所需要的信息。
5. 将上述信息整合成json串，利用express的res.json将json响应给客户端（小程序或者其他APP）。

直接上代码吧

nodejs下图片列表的获取与解析

var express = require(&＃39;express&＃39;);var router = express.Router();var bodyParser = require("body-parser");var http = require(&＃39;http&＃39;);const cheerio = require(&＃39;cheerio&＃39;);/* GET home page. */router.get(&＃39;/&＃39;, function (req, res, next) {
    res.render(&＃39;index&＃39;, {title: &＃39;Express&＃39;});
});/* GET 妹子图列表  page. */router.get(&＃39;/parser&＃39;, function (req, res, next) {


    var json =new Array();    var url = `http://m.mmjpg.com/getmore.php?te=0&page=3`;
    var request = require(&＃39;request&＃39;);
    request(url, function (error, response, body) { if (!error && response.statusCode == 200) {        var $ = cheerio.load( body );//将响应的html转换成cheerio对象
        var $lis = $(&＃39;li&＃39;);//便利列表页的所有的li标签，每个li标签对应的是一条信息
        var json = new Array();//需要返回的json数组
        var index = 0;
        $lis.each(function () {
            var h2 = $(this).find("h2");//获取h2标签，方便获取h2标签里的a标签
            var a = $(h2).find("a");//获取a标签，是为了得到href和标题
            var img = $(this).find("img");//获取预览图
            var info =$($($(this).find(".info")).find("span")).get(0);//获取发布时间
            var like = $(this).find(".like");//获取点赞次数

            //生成json数组
            json[index] = new Array({"title":$(a).text(),"href":$(a).attr("href"),"image":$(img).attr("data-img"),"timer":$(info).text(),"like":$(like).text()});
            index++;
        })        //设置响应头
        res.header("contentType", "application/json");        //返回json数据
        res.json(json);
        }
    });

})
;/**
 * 从第(1/50)张这样的字符串中提取50出来
 * @param $str
 * @returns {string}
 */function getNumberFromString($str) {
    var start = $str.indexOf("/");    var end = $str.indexOf(")");    return $str.substring(start+1,end);
}/* GET 妹子图所有图片  page. */router.get(&＃39;/details&＃39;, function (req, res, next) {

    var json;    var url = `http://m.mmjpg.com/mm/958`;
    var request = require(&＃39;request&＃39;);
    request(url, function (error, response, body) {
        if (!error && response.statusCode == 200) {        var $ = cheerio.load( body );//将响应的html转换成cheerio对象

        var json = new Array();//需要返回的json数组
        var index = 0;        var img = $($(".content").find("a")).find("img");//每一次操作之后得到的对象都用转换成cheerio对象的
        var imgSrc = $(img).attr("src");//获取第一张图片的地址
        var title = $(img).attr("alt");//获取图片集的标题
        var total  =$($(".contentpage").find("span").get(1)).text();//获取‘第(1/50)张’
        total = getNumberFromString(total);//从例如`第(1/50)张`提取出50来
        var imgPre = imgSrc.substring(0,imgSrc.lastIndexOf("/")+1);//获取图片的地址的前缀
        var imgFix = imgSrc.substring(imgSrc.lastIndexOf("."));//获取图片的格式后缀名
        console.log(imgPre + "\t" + imgFix);        //生成json数组
        var images= new Array();        for(var i=1;i<=total;i++) {
            images[i-1] =imgPre+i+imgFix;
        }
        json = new Array({"title":title,"images":images});        //设置响应头
        res.header("contentType", "application/json");        //返回json数据
        res.json(json);
    }
    });

})
;

module.exports = router;

在浏览中，获取列表页的json，截图如下：

apicloud平台下利用jquery实现的代码

//获取妹子图的列表function loadData() {
    url = &＃39;http://m.mmjpg.com/getmore.php&＃39;;
    $.ajax({
        url: tmpurl,
        method: &＃39;get&＃39;,
        dataType: "application/text",
        data:{
            te：0,
            page:3
        },
        success: function (data) {
            if (data) {
                ret = "
" + ret + "
";                var lis = $(ret).find("li");                var One= &＃39;&＃39;;
                $(lis).each(function () {
                    var a = $(this).find("h2 a");                    var ahtml = $(a).html();//标题
                    var ahref = $(a).attr(&＃39;href&＃39;);//链接
                    var info = $(this).find(".info");                    var date = $($(info).find("span").get(0)).html();                    var like = $($(info).find(".like")).html();                    var img = $(this).find("img").get(0);                    var imgsrc = $(img).attr(&＃39;data-img&＃39;);                    //接下来，决定如何对数据进行显示咯。如dom操作，直接显示。
                });
            } else {
                alert("数据加载失败，请重试");
            }
        }
    });
};//end of loadData//图片详情页的获取，就不再提供jquery版本的代码了

总结

本文主要解决了：1.jquery解析请求过来的html如何实现的问题；2.nodejs环境下jquery重度使用者的替代函数库的问题；3.nodejs下，如何发送ajax请求的问题（ajax请求，本身就是一个request请求）；4. 本文用实际的案例来介绍了如何使用cheerio进行dom操作。