Node.js 小打小闹之爬虫入门

网络爬虫(英语:web crawler),也叫网络蜘蛛(spider),是一种用来自动浏览万维网的网络机器人。此外爬虫还可以验证超链接和 HTML 代码,用于网络抓取。

本文我们将以爬取我的个人博客前端修仙之路已发布的博文为例,来实现一个简单的 Node.js 爬虫。在实际动手前,我们来看分析一下,人为统计的流程:

  1. 新建一个 Excel 表或文本文件;
  2. 打开浏览器,访问前端修仙之路;
  3. 浏览当前页,复制所需的信息,如文章标题、发布时间、文章分类及字数统计等;
  4. 若存在下一页,则访问下一页,然后执行上面的第 3 步操作;
  5. 数据收集完成,进行数据保存操作。

了解完上述的流程,我们来分析一下使用 Node.js 应该如何实现上述的功能。我的博客是基于 Hexo 搭建,Hexo 是一个快速、简洁且高效的博客框架。Hexo 使用 Markdown(或其他渲染引擎)解析文章,在几秒内,即可利用靓丽的主题生成静态网页

由于博客上使用的是静态网页,因此我们只要能获取网页的 HTML 内容就跨出了一大步,在获取页面内容后,我们就能对网页进行解析,进而提取并保存所需的信息,之后如果发现还有下一页的话,我们就重复上述的流程。

现在我们可以把爬取的任务分为 3 个主要的流程:

  1. 获取网页的 HTML 内容;
  2. 解析 HTML 内容,抽取相应的文章信息;
  3. 保存已获取的内容。

此时,我们的流程已梳理清楚,让我们开启爬虫之旅。

获取网页的 HTML 内容

想要获取网页的内容,我们可以利用 HTTP 客户端来发送 HTTP 请求,这里我们选用 request 这个库。这个库使用起来非常的简单:

const request = require('request');

request('http://www.google.com', function (error, response, body) {
  console.log('error:', error); // Print the error if one occurred
  console.log('statusCode:', response && response.statusCode); // Print the response status code if a response was received
  console.log('body:', body); // Print the HTML for the Google homepage.
});

它不但简单易用,而且还很强大,支持很多特性,比如:

哈哈,不错哟,也支持 Promises 和 Async/Await。这里我们将选用 Bluebird 封装的 request-promise 库。首先我们来安装一下依赖:

$ npm i request request-promise --save

安装成功后,我们就可以来小试牛刀了:

var rp = require('request-promise');

rp('http://www.semlinker.com/')
    .then(function (htmlString) {
        // Process html...
        console.log(htmlString);
    })
    .catch(function (err) {
        // Crawling failed...
    });

运行以上代码后,不出意外的话,你将会在控制台看到输出的 HTML 代码。现在我们已经完成了第一步,接下来就要进入的我们下一个环节 —— HTML 解析。

解析 HTML 内容,抽取相应的文章信息

很巧的是,在 request-promise 说明文档中遇见了这个环节的主角 —— cheerio,不信你看:

var cheerio = require('cheerio'); // Basically jQuery for node.js

var options = {
    uri: 'http://www.google.com',
    transform: function (body) {
        return cheerio.load(body);
    }
};

rp(options)
    .then(function ($) {
        // Process html like you would with jQuery...
    })
    .catch(function (err) {
        // Crawling failed or Cheerio choked...
    });

不知道你是否已经注意到这行注释 —— “Basically jQuery for node.js”,看到 jQuery 你是不是有种熟悉的感觉。言归正传,我们来会一会 cheerio

Fast, flexible, and lean implementation of core jQuery designed specifically for the server.

看完介绍是不是没有概念,我们马上来个?:

const cheerio = require('cheerio')
const $ = cheerio.load('<h2 class="title">Hello world</h2>')

$('h2.title').text('Hello there!')
$('h2').addClass('welcome')

$.html()
//=> <h2 class="title welcome">Hello there!</h2>

小伙伴们是不是感觉棒棒哒,趁热打铁,我们先来安装一下 cheerio:

$ npm install cheerio

安装成功后,马上更新一下代码:

var rp = require('request-promise');
var cheerio = require('cheerio'); // Basically jQuery for node.js

var options = {
    uri: 'http://www.semlinker.com/',
    transform: function (body) {
        return cheerio.load(body);
    }
};

rp(options)
    .then(function ($) {
        // Process html like you would with jQuery...
    })
    .catch(function (err) {
        // Crawling failed or Cheerio choked...
    });

下面的重头戏就是数据抽取了,在编码前我们先来使用 Chrome 开发者工具分析一下页面结构:

通过分析,我们发现博客标题包含在 h1 标签中,而其它的信息包含在 div 标签中。在查看 cheerio 相关 API 之后,我们可以利用以下 API 获取博文的相关信息,具体如下:

rp(options)
    .then(function ($) {
        $('.post-header').each(function (i, elem) {
            let postTitle = $(this).find('.post-title').text();
            let postTime = $(this).find('.post-time time').text();
            let postCategory = $(this).find('.post-category a>span').text();
            let postWordCount = $(this).find('.post-wordcount span[title="字数统
              计"]').text();
            console.log(postTitle, postTime, postCategory, postWordCount);
        });
})

这时候我们已经完成单个页面的解析工作,剩下的任务就是解析剩余的页面和数据保存。要想解析剩余的页面,前提就是能够获取剩余页面的链接,这里我把目光投向 “首页分页条”,它对应的 HTML 结构如下:

<nav class="pagination" style="opacity: 1; display: block;">
   <span class="page-number current">1</span>
   <a class="page-number" href="/page/2/">2</a>
   <span class="space">…</span>
   <a class="page-number" href="/page/4/">4</a>
   <a class="extend next" rel="next" href="/page/2/">
     <i class="fa fa-angle-right"></i>
   </a>
</nav>

通过上面的结构,我们可以获取当前页、下一页和总页数等信息,而且知道了页面链接的规则:/page/:page-number,所以我们已经知道如何获取所有页面的链接地址。下面我们定义一个 BlogSpider 类,用来实现上述两个流程:

import * as rp from 'request-promise';
import * as cheerio from 'cheerio';

interface SpiderOption {
  uris: any;
}

class BlogSpider {
  startUris;
  result = [];

  static create(spiderOption: SpiderOption) {
    return new BlogSpider(spiderOption);
  }

  constructor(private spiderOption: SpiderOption) {}
  
  private makeUris() {
    let { uris } = this.spiderOption;
    return typeof uris === 'string'
      ? [uris]
      : this.isIterable(uris)
        ? uris
        : [];
  }

  private isIterable(obj) {
    if (!obj) return false;
    return typeof obj[Symbol.iterator] === 'function';
  }

  async start() {
    this.startUris = this.makeUris();
    let posts;
    for (let uri of this.startUris) {
      if (!uri) return;
      posts = await this.crawl(uri);
      if (posts) this.result = this.result.concat(posts);
    }
    console.log(this.result);
    return this.result;
  }

  async crawl(uri) {
    try {
      let $ = await this.load(uri);
      return this.parse($);
    } catch (error) {
      console.error(error);
    }
  }

  load(uri: string): Promise<any> {
    let options = {
      uri,
      transform: body => cheerio.load(body),
    };
    return rp(options);
  }

  parse($) {
    let posts = [];
    $('.post-header').each(function(i, elem) {
      let postTitle = $(this)
        .find('.post-title')
        .text().trim();
      let postTime = $(this)
        .find('.post-time time')
        .text().trim();
      let postCategory = $(this)
        .find('.post-category a>span')
        .text().trim();
      let postWordCount = $(this)
        .find('.post-wordcount span[title="字数统计"]')
        .text().trim();
      posts.push({
        postTitle,
        postTime,
        postCategory,
        postWordCount,
      });
    });
    return posts;
  }
}

使用方式如下:

function* uriGenerator(baseUri, totalPage) {
  let index = 1;
  while (index <= totalPage) {
    yield index === 1 ? baseUri : `${baseUri}/page/${index}`;
    index++;
  }
}

let gen = uriGenerator('http://www.semlinker.com', 2);

// 创建BlogSpider
const spider = BlogSpider.create({
  uris: gen, // ['http://www.semlinker.com', 'http://www.semlinker.com/page/2']
});

// 启动BlogSpider
spider.start();

上面代码中,我们定义了一个 uriGenerator 生成器,用来生成爬取的 uri 地址。当然 uri 数量较少的情况下,是可以直接使用数组,使用生成器的主要目的是避免出现大数据量下的内存消耗问题。此外,也可以在初始化的时候设置一个起始地址,当爬取完当前页的时候,在获取下一页的 uri 地址,直到所有页面都爬取完成。

最后我们来介绍最后一个环节 —— 保存已获取的内容。

保存已获取的内容

在上一个环节,我们已经完成博文信息的爬取工作,在获取博文信息后,我们可以对数据进行持久化操作,比如保存到 Redis 或数据库(MongoDB、MySQL等)中,也可以把数据输出成文件。这里,我们选择的持久化方案是 —— “输出 JSON 文件”。利用 Node.js FS API,我们可以实现一个简单的 writeFile() 函数:

function writeFile(outputPath, content) {
  fs.writeFile(outputPath, content, function(err) {
    if (err) throw err;
    console.log('文件写入成功');
  });
}

创建完 writeFile() 函数,我可以在定义一个入口函数,比如:

async function main() {
  let gen = uriGenerator('http://www.semlinker.com', 2);
  const spider = BlogSpider.create({
    uris: gen,
  });
  const blogs = await spider.start();
  writeFile(__dirname + '/blog.json', JSON.stringify(blogs));
}

以上代码成功运行后,你就可以在当前目录下看到新建的 blog.json 文件,此时我们的爬虫之旅就落下帷幕。

总结

本文只是简单介绍了 Node.js 爬虫相关的知识,并未涉及多线程、分布式爬虫和一些反爬策略的应对方案,有兴趣的同学可以查阅一下相关资料。另外,在实际项目中,可以直接使用一些现成的爬虫框架,比如 node-crawler,熟悉 Python 的同学,也可以使用大名鼎鼎的 scrapy

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏DevOps持续集成

02-Shell-脚本多种执行方式

[root@node1 ~]# chmod o+x first.sh

10820
来自专栏DevOps持续集成

MFS-移除已用磁盘

[root@node1 ~]# vim /etc/mfs/mfshdd.cfg #注释要移除磁盘挂载点

8520
来自专栏DevOps持续集成

03-Shell-自定义变量

变量的定义是:可以存放一个可变的值的空间,可以通过不同的环境进行改变就是一个可以变的值.默认情况下: 在Linux中可以将每个shell看成不同的执行环境,所以...

12050
来自专栏DevOps持续集成

30分钟安装部署OpenShift okd3.11

本次试验采用3台虚拟机,每台机器即作为node节点又作为master节点使用。问题最多的是因为镜像下载问题。

24120
来自专栏深圳java培训

深圳Java学习:Zookeeper基本原理与运用场景

换句话说,也可以把zookeeper看成一个小型的分布式文件系统。但是和FastDFS不同,zookeeper只适合用来存储一些小型的数据或者配置信息。

7930
来自专栏DevOps持续集成

Prometheus安装部署+监控+绘图+告警

查看监控数据(https://grafana.com/dashboards/9276)

15540
来自专栏DevOps持续集成

MFS-master节点故障切换

六个节点底层部署了mfs分布式存储,node4(mfsmaster), 其中node1-6都为mfschunkserver,分别开启了metalogger服务。...

9110
来自专栏DevOps持续集成

04-Shell-环境变量

[root@node1 ~]# echo $BASH_VERSION

8720
来自专栏纯洁的微笑

你知道如何安全正确的关闭线程池吗?

我们知道应用停机时需要释放资源,关闭连接,而对于一些定时任务或者网络请求服务会使用线程池,当应用停机时我们需要正确安全的关闭线程池,如果处理不当,可能造成数据丢...

21530
来自专栏DevOps持续集成

基于kubeadm部署kubernetes集群

https://raw.githubusercontent.com/zeyangli/devops/master/allrun.sh

9120

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励