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