js 爬虫抓取网页数据( 2015年07月03日09:48:26DOM化)

　　js 爬虫抓取网页数据(

2015年07月03日09:48:26DOM化)

　　nodejs爬虫爬取数据的编码问题

　　更新时间：2015-07-03 09:48:26 投稿：hebedich

　　本文文章主要介绍nodejs爬虫爬取数据编码问题的相关信息。有需要的朋友可以参考以下

　　当cheerio被DOM化和解析时

　　1.如果使用.text()方法，一般不会出现html实体编码问题

　　2. 如果使用.html()方法，很多情况下都会出现（主要是非英文的时候）。这时候可能就需要转义了。

　　类似这些因为需要数据存储，都需要进行转换

　　复制代码代码如下：

　　Халк крушит。Новый способ исполнен

　　大部分都是(x)?\w+的格式

　　所以只需使用常规转换

var body = ....//这里就是请求后获得的返回数据，或者那些 .html()后获取的

//一般可以先转换为标准unicode格式（有需要就添加：当返回的数据呈现太多\\\u 之类的时）

body=unescape(body.replace(/\\u/g,"%u"));

//再对实体符进行转义

//有x则表示是16进制，$1就是匹配是否有x ，$2就是匹配出的第二个括号捕获到的内容，将$2以对应进制表示转换

body = body.replace(/&#(x)?(\w+);/g,function($,$1,$2){

return String.fromCharCode(parseInt($2,$1?16:10));

});

　　好的~

　　当然网上也有很多转换的版本，申请就好

　　后记：

　　使用爬虫抓取网页数据时，经常用到cheerio模块到最后，和jq一样方便快捷

　　（但是有些功能不支持或者改成某种形式，比如jq的jQuery('.myClass').prop('outerHTML')，cheerio就相当于jQuery.html('.myClass'))