Node.js+jade抓取博客所有文章生成静态html文件的实例

这篇文章，我们就把上文中采集到的所有文章列表的信息整理一下，开始采集文章并且生成静态HTML文件了.先看下我的采集效果，我的博客目前77篇文章，1分钟不到就全部采集生成完毕了，这里我截了部分的图片，文件名用文章的id生成的，生成的文章，我写了一个简单的静态模板，所有的文章都是根据这个模板生成的.

项目结构:

好了，接下来，我们就来讲解下，这篇文章主要实现的功能：

1，抓取文章，主要抓取文章的标题，内容，超链接，文章id（用于生成静态HTML文件）

2，根据jade模板生成html文件

一、抓取文章如何实现？

非常简单，跟上文抓取文章列表的实现差不多

rush:xhtml;"> function crawlerArc( url ){ var html = ''; var str = ''; var arcDetail = {}; http.get(url,function (res) { res.on('data',function (chunk) { html += chunk; }); res.on('end',function () { arcDetail = filterarticle( html ); str = jade.renderFile('./views/layout.jade',arcDetail ); fs.writeFile( './html/' + arcDetail['id'] + '.html',str,function( err ){ if( err ) { console.log( err ); } console.log( 'success:' + url ); if ( aUrl.length ) crawlerArc( aUrl.shift() ); } ); }); }); }

参数url就是文章的地址，把文章的内容抓取完毕之后，调用filterarticle( html ) 过滤出需要的文章信息（id,标题，超链接，内容），然后用jade的renderFile这个api，实现模板内容的替换，

模板内容替换完之后，肯定就需要生成html文件了,所以用writeFile写入文件，写入文件时候，用id作为html文件名称。这就是生成一篇静态HTML文件的实现，

接下来就是循环生成静态HTML文件了， 就是下面这行:

if ( aUrl.length ) crawlerArc( aUrl.shift() );

aUrl保存的是我的博客所有文章的url,每次采集完一篇文章之后，就把当前文章的url删除，让下一篇文章的url出来，继续采集

完整的实现代码server.js：

rush:xhtml;"> var fs = require( 'fs' ); var http = require( 'http' ); var cheerio = require( 'cheerio' ); var jade = require( 'jade' );

var aList = [];
var aUrl = [];

function filterarticle(html) {
var $ = cheerio.load( html );
var arcDetail = {};
var title = $( "#cb_post_title_url" ).text();
var href = $( "#cb_post_title_url" ).attr( "href" );
var re = /\/(\d+).html/;
var id = href.match( re )[1];
var body = $( "#cnblogs_post_body" ).html();
return {
id : id,title : title,href : href,body : body
};
}

function crawlerArc( url ){
var html = '';
var str = '';
var arcDetail = {};
http.get(url,function( err ){
if( err ) {
console.log( err );
}
console.log( 'success:' + url );
if ( aUrl.length ) crawlerArc( aUrl.shift() );
} );
});
});
}

function filterHtml(html) {
var $ = cheerio.load(html);
var arcList = [];
var aPost = $("#content").find(".post-list-item");
aPost.each(function () {
var ele = $(this);
var title = ele.find("h2 a").text();
var url = ele.find("h2 a").attr("href");
ele.find(".c_b_p_desc a").remove();
var entry = ele.find(".c_b_p_desc").text();
ele.find("small a").remove();
var listTime = ele.find("small").text();
var re = /\d{4}-\d{2}-\d{2}\s*\d{2}[:]\d{2}/;
listTime = listTime.match(re)[0];

arcList.push({
  title: title,url: url,entry: entry,listTime: listTime
});

});
return arcList;
}

function nextPage( html ){
var $ = cheerio.load(html);
var nextUrl = $("#pager a:last-child").attr('href');
if ( !nextUrl ) return getArcUrl( aList );
var curPage = $("#pager .current").text();
if( !curPage ) curPage = 1;
var nextPage = nextUrl.substring( nextUrl.indexOf( '=' ) + 1 );
if ( curPage < nextPage ) crawler( nextUrl );
}

function crawler(url) {
http.get(url,function (res) {
var html = '';
res.on('data',function () {
aList.push( filterHtml(html) );
nextPage( html );
});
});
}

function getArcUrl( arcList ){
for( var key in arcList ){
for( var k in arcList[key] ){
aUrl.push( arcList[key][k]['url'] );
}
}
crawlerArc( aUrl.shift() );
}

var url = 'http://www.cnblogs.com/ghostwu/';
crawler( url );

layout.jade文件:

rush:xhtml;"> doctype html html head Meta(charset='utf-8') title jade+node.js express link(rel="stylesheet",href='./css/bower_components/bootstrap/dist/css/bootstrap.min.css') body block header div.container div.well.well-lg h3 ghostwu的博客 p js高手之路 block container div.container h3 a(href="#{href}" rel="external nofollow" ) !{title} p !{body} block footer div.container footer 版权所有 - by ghostwu

后续的打算：

1，采用mongodb入库

2，支持断点采集

3，采集图片

4，采集小说

等等....

以上这篇Node.js+jade抓取博客所有文章生成静态HTML文件的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持编程之家。