node.js 基於cheerio的爬蟲工具,須要登陸權限的爬蟲工具,直接導出到Excel文件中

公司有過一個需求,須要拿一個網頁的的表格數據,數據量達到30w左右;爲了提升工做效率。node

結合自身經驗和網上資料。寫了一套符合本身需求的nodejs爬蟲工具。也許也會適合你的。jquery

先上代碼。在作講解npm

'use strict';
// 引入模塊
const superagent = require('superagent');
const cheerio = require('cheerio');
const Excel = require('exceljs');


var baseUrl = '';
var Cookies = 'PHPSESSID=1c948cafb361cb5dce87122846e649cd'; //假裝的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");          
                
                //投保人證件號
                item.policyIdNum = detailT.find("tr").eq(11).find("td").eq(1).text();
                //投保人手機號
                item.policyPhone = detailT.find("tr").eq(10).find("td").eq(1).text();
                //被保人手機號
                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)
                //被保人證件號
                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:'序號',key:'sortId'},
        {header:'投保單號',key:'policyId'},
        {header: '產品名稱', key: 'policyProductName'},
        {header: '投保人姓名', key: 'policyName' },
        {header: '投保人手機號', key: 'policyPhone' },
        {header: '投保人證件號', key: 'policyIdNum'},
        {header: '被保人姓名', key: 'bePoliciedName' },
        {header: '被保人手機號', key: 'bePoliciedPhone' },
        {header: '被保人證件號', key: 'bePoliciedIdNum' },
        {header:'保費',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); 
    });
  }

代碼使用方式cookie

1、npm install 相關的依賴

2、代碼修改

一、修改成本身的baseUrl 框架

二、若是不須要攜帶cookie時將 set("Cookie", Cookies)代碼去掉dom

三、修改本身的業務代碼async

3、運行 node index 

4、部分代碼說明

全部代碼不過90行不到,操做了表格數據獲取和單條數據詳情的獲取工具

接口請求的框架使用superagent的緣由是拼接假裝的cookie的操做比較簡單。由於有的時候咱們須要獲取登陸後的頁面數據。ui

這個時候可能須要請求是攜帶登陸cookie信息。返回後的body對象經過cheerio.load以後就能拿到一個相似jquery的文檔對象。spa

後面就能夠很方便的使用jquery的dom操做方式去拿到頁面內本身想要的數據了。

 

 

數據寫入到excel中。

5、結果

 

 

若是任何問題請給我留言。接受批評也願意提供技術幫助

相關文章
相關標籤/搜索