nodejs cheerio模块提取html页面内容

本文给出使用一个用cheerio模块提取html文件中指定内容的例子，并说明具体步骤、涉及到的API、以及其它模块。 cheerio模块是一个类似jquery的模块，具有相似的API、功能，能够将一个网页解析为DOM，以及通过selector选择元素，设置、获取元素属性。

以下为我们待解析网页截图： 

目标是将task1-5中的所有题目、以及答案提取出来，以文本形式保存。最终提取出的效果如下。 这是题目文本：

Task 1: You will be given 10 minutes to read the text for the first time and then choose an appropriate answer for each of the following questions.

1. What’s the passage mainly about?
A. How to learn online successfully.
B. How to set up a learning goal.
C. The future of online learning.
D. The benefits of online learning.

...

这是答案文本：

Task 1:
1. D
2. C
3. C
4. D
5. A

注：其中答案保存在网页中，但在网页中没有显示出来。

1.1 找到目标元素

提取问题文本的整体思路：先找到包含题目的所有元素，然后再获取这些元素的内容即可。 通过chrome的devtool(或者firefox的firebug）看出，所有的目标元素为：hr元素的所有兄弟结点。cheerio的nextAll函数满足需求，这个函数获取当前结点的所有后续的兄弟结点。程序如下：

网友评论