我正在构建一个示例测试scraper来学习Cheerio和jQuery。
我在收到一组url并存储它们后的第二个请求上挠头,是做另一个请求来加载这些url并从该页面的标题中拉出标题。
我的代码是这样的
var request = require('request'),
cheerio = require('cheerio');
urls = [];
titles = [];
request('http://reddit.com', function(err, resp, body){
if(!err && resp.statusCode == 200){
var $ = cheerio.load(body);
$('a.title', '#siteTable').each(function(){
var url = $(this).attr('href');
urls.push(url);
});
//issue is here
for(var i = 0; i < urls.length; i++){
request(urls[i], function(err, resp, body){
var $ = cheerio.load(body);
var title = $("title").text();
console.log(title);
});
}
}
});
似乎我得到一个未定义的属性时,从页面归因于标题某处。
我必须提到我是jQuery的新手,所以这段代码可能看起来很荒谬(我假设)。
我从控制台收到的错误是,TypeError: Cannot read property 'parent' of undefined
at Function.exports.update (/home/pi/node_modules/cheerio/lib/parse.js:55:25)
at module.exports (/home/pi/node_modules/cheerio/lib/parse.js:17:11)
at Function.exports.load (/home/pi/node_modules/cheerio/lib/static.js:19:14)
at Request._callback (/home/pi/scraper.js:16:22)
at self.callback (/home/pi/node_modules/request/request.js:187:22)
at Request.emit (events.js:95:17)
at Request.init (/home/pi/node_modules/request/request.js:275:17)
at new Request (/home/pi/node_modules/request/request.js:129:8)
at request (/home/pi/node_modules/request/index.js:55:10)
at Request._callback (/home/pi/scraper.js:15:6)
我明白这个错误意味着我有一个未定义的变量,我试图使一个次要属性,如。something,但错误指向第二个请求中的回调函数。
有什么建议我可以解决这个问题吗?
其中一个URL的返回值如下所示
/r/Jokes/comments/4yp0ex/mom_dont_freak_out_but_im_in_the_hospital/
可能还有其他的,但看看reddit,你可以清楚地看到锚,和href
<a class="title may-blank " href="/r/Jokes/comments/4yp0ex/mom_dont_freak_out_but_im_in_the_hospital/" tabindex="1" rel="">"Mom? Don't freak out, but I'm in the hospital..."</a>
当然,尝试使用请求来获取没有协议或域的URL会失败,并且一切都会崩溃。
你必须通过添加域名和创建绝对URL来处理内部链接,一个简单的方法就是像
for (var i = 0; i < urls.length; i++) {
var uri = (/^(f|ht)tps?:///i.test(urls[i]) ? "" : "https://www.reddit.com") + urls[i];
request(uri, function(err, resp, body) {
if (err) {
// handle errors
} else {
var $ = cheerio.load(body);
var title = $("title").text();
console.log(title);
}
});
}
运行,你会看到在几个URL之后,你会遇到一个"502坏网关",现在你必须处理这个,可能还有许多其他的事情,因为没有保证所有在Reddit上发布的蹩脚链接实际上是有效的。