用NodeJs做一个小爬虫

最新推荐文章于 2024-09-21 20:39:11 发布

WeX5开发工具

最新推荐文章于 2024-09-21 20:39:11 发布

阅读量1w

点赞数 7

分类专栏： NodeJs 文章标签： html5 爬虫 nodejs 开发工具

本文链接：https://blog.csdn.net/justeptech/article/details/51882967

版权

NodeJs 专栏收录该内容

0 篇文章 0 订阅

订阅专栏

作者：北京起步科技前端研究员，专注分享HTML5 App快速开发工具 WeX5 的黑魔法以及相应的前端技术。

前言

利用爬虫可以做很多事情，单身汉子们可以用爬虫来收集各种妹子情报，撩妹族们可以用爬虫收集妹子想要的小东西，赚大钱的人可以用来分析微博言论与股票涨跌的关系诸如此类的，简直要上天了。
你们感受一下点我点我：
这里写图片描述

这里写图片描述

蠢蠢欲动

抛开机器学习这种貌似很高大上的数据处理技术，单纯的做一个爬虫获取数据还是非常简单的。对于前段er们来说，生在有nodejs的年代真是不要太幸福了，下面就用nodejs来做一个爬虫吧。

这次我们先拿CSDN来练练手，爬妹子什么的，其实大同小异。要实现的功能就是爬取前端板块的博文，输出作者的信息。

首先是工具的准备，nodejs当然是必须要装好的，我这里用的是目前最新版的6.2.0版本。另外由于我们需要通过各种http请求去爬取内容，所以一个好用的http调试工具也是必需的，这里我推荐是用postman。

搭建环境

根据爬虫需要的功能确定我们要使用的第三方库：

后端服务： express
发出http请求： superagent
控制并发请求：async + eventproxy
分析网页内容：cheerio

相关库的 API 请到对应的 GitHub 项目页上去了解，这里我就不再赘述了，对应的 package.json ：

{
  "name": "spider",
  "version": "0.0.0",
  "description": "learn nodejs on github",
  "scripts": {
    "start": "node app.js"
  },
  "dependencies": {
    "async": "^2.0.0-rc.6",
    "cheerio": "^0.20.0",
    "eventproxy": "^0.3.4",
    "express": "^4.9.5",
    "superagent": "^2.0.0"
  },
}

写好的 package 记得安装下，这样我们就搭好了开发环境。

爬虫主体

下面按照爬虫需要的功能来一步步写爬虫主体。

后台服务部分

实现的功能是接收前端请求启动爬虫，完成信息爬取之后将信息返回给前端。后台服务部分我这里使用了 express 框架，这里比较简单也可以使用原生的 http 模块。简单框架如下：

var express = require('express');
var app = express();
app.get('/', function (req, res, next) {
    // your code here
});
app.listen(3000, function (req, res) {
    console.log('app is running at port 3000');
});

在 get 处理中插入我们的响应代码，包括启动爬虫，结果信息输出等。

文章链接的爬取

这里我们用到的是 superagent 这个库来实现，此库作者是个多产大神，我们这里用到的库基本都是他写的，颤抖吧、少年们！

superagent.get(Url).end(function (err, res) {
    if (err) { return next(err); }
    // your code here
});

Url 为我们请求的地址，使用 get 的方式请求，其实效果跟你用浏览器打开 Url 的效果是一样的，返回来的数据都放在 res 中，对 res 分析就可以得到我们想要的数据了。

数据的处理

这里我们用到的是 cheerio 这个库，他可以让我们以 jQuery 的方式操作返回的数据，实在太贴心了。

// 提取作者博客链接，注意去重
var $ = cheerio.load(sres.text);
$('.blog_list').each(function (i, e) {
    var u = $('.user_name', e).attr('href');
    if (authorUrls.indexOf(u) === -1) {
        authorUrls.push(u);
    }
});

是不是很熟悉的感觉？完全就是 jQuery 的语法呀。

文章作者信息的爬取

这里我们要进入作者主页去爬取相应的消息，跟上一步爬取链接是一样的。

superagent.get(authorUrl)
    .end(function (err, ssres) {
        if (err) { callback(err, authorUrl + ' error happened!'); }
        var $ = cheerio.load(ssres.text);
        var result = {
            userId: url.parse(myurl).pathname.substring(1),
            blogTitle: $("#blog_title a").text(),
            visitCount: parseInt($('#blog_rank>li').eq(0).text().split(/[:：]/)[1]),
            score: parseInt($('#blog_rank>li').eq(1).text().split(/[:：]/)[1]),
            oriCount: parseInt($('#blog_statistics>li').eq(0).text().split(/[:：]/)[1]),
            copyCount: parseInt($('#blog_statistics>li').eq(1).text().split(/[:：]/)[1]),
            trsCount: parseInt($('#blog_statistics>li').eq(2).text().split(/[:：]/)[1]),
            cmtCount: parseInt($('#blog_statistics>li').eq(3).text().split(/[:：]/)[1])
        };
        callback(null, result);
    });

这里我们是用 callback 返回结果的。

并发的控制

因为我们的请求都是异步的，所以需要执行成功的回调函数中执行下一步操作，在多并发的情况下，就需要一个计数器来判断是否所有并发均已成功执行完。这里用到的是 eventproxy 这个库来替我们管理并发结果。

CSDN上web前端有3页，所以我们要执行 3 次爬取文章链接，用 eventproxy 的写法就是：

var baseUrl = 'http://blog.csdn.net/web/index.html';
var pageUrls = [];
for (var _i = 1; _i < 4; _i++) {
    pageUrls.push(baseUrl + '?&page=' + _i);
}
ep.after('get_topic_html', pageUrls.length, function (eps) {
    // 文章链接都已经爬取完了
});
pageUrls.forEach(function (page) {
    superagent.get(page).end(function (err, sres) {
        // 文章链接的爬取
        ep.emit('get_topic_html', 'get authorUrls successful');
    });
});

简单来说，就是会检测 'get_topic_html' 的emit事件，发生指定次数之后就调用 ep.after 函数。

并发请求数控制

本来呢，到这里就完了，但是我们爬取作者信息时都是用异步操作的，所以同时可能会有几十甚至几百个请求同时发送给目标网站。出于安全角度考虑，目标网站可能会拒绝我们的请求，所以我们要控制并发数量，这里我们用的是 async 这个库来实现。

// 控制最大并发数为5，在结果中取出callback返回来的整个结果数组。
async.mapLimit(authorUrls, 5, function (myurl, callback) {
    // 请求作者信息
}, function (err, result) {
    console.log('=========== result: ===========\n', result);
    res.send(result);
});

这里 authorUrls 是我们前一步爬取好的作者链接数组，async 会根据数组长度依次执行。之前在作者信息爬取部分我们使用了回调函数返回数据，这个也是async 提供的接口。最终数组中所有元素都被执行了一遍之后，就会将 callback 返回的数据放入 result 数组中，将这个数组返回给前端即可。

效果

通过 node app.js 执行后台程序，在 postman 中输入 http://localhost:3000 查看结果：

这里写图片描述

可以看到在返回中的body中已经将我们需要的数据返回来了。
至此，我们的小爬虫就完成了，是不是很简单呢？

完整的代码

/***
 * Created by justeptech on 2016/7/11.
 */

var cheerio = require('cheerio');
var superagent = require('superagent');
var async = require('async');
var url = require('url');

var express = require('express');
var app = express();

var eventproxy = require('eventproxy');
var ep = eventproxy();

var baseUrl = 'http://blog.csdn.net/web/index.html';
var pageUrls = [];
for (var _i = 1; _i < 4; _i++) {
    pageUrls.push(baseUrl + '?&page=' + _i);
}

app.get('/', function (req, res, next) {
    var authorUrls = [];
    // 命令 ep 重复监听 emit事件(get_topic_html) 3 次再行动
    ep.after('get_topic_html', pageUrls.length, function (eps) {
        var concurrencyCount = 0;
        // 利用callback函数将结果返回去，然后在结果中取出整个结果数组。
        var fetchUrl = function (myurl, callback) {
            var fetchStart = new Date().getTime();
            concurrencyCount++;
            console.log('现在的并发数是', concurrencyCount, '，正在抓取的是', myurl);
            superagent.get(myurl)
                .end(function (err, ssres) {
                    if (err) {
                        callback(err, myurl + ' error happened!');
                    }

                    var time = new Date().getTime() - fetchStart;
                    console.log('抓取 ' + myurl + ' 成功', '，耗时' + time + '毫秒');
                    concurrencyCount--;

                    var $ = cheerio.load(ssres.text);
                    var result = {
                        userId: url.parse(myurl).pathname.substring(1),
                        blogTitle: $("#blog_title a").text(),
                        visitCount: parseInt($('#blog_rank>li').eq(0).text().split(/[:：]/)[1]),
                        score: parseInt($('#blog_rank>li').eq(1).text().split(/[:：]/)[1]),
                        oriCount: parseInt($('#blog_statistics>li').eq(0).text().split(/[:：]/)[1]),
                        copyCount: parseInt($('#blog_statistics>li').eq(1).text().split(/[:：]/)[1]),
                        trsCount: parseInt($('#blog_statistics>li').eq(2).text().split(/[:：]/)[1]),
                        cmtCount: parseInt($('#blog_statistics>li').eq(3).text().split(/[:：]/)[1])
                    };
                    callback(null, result);
                });

        };
        // 控制最大并发数为5，在结果中取出callback返回来的整个结果数组。
        async.mapLimit(authorUrls, 5, function (myurl, callback) {
            fetchUrl(myurl, callback);
        }, function (err, result) {
            console.log('=========== result: ===========\n', result);
            res.send(result);
        });
    });

    // 获取每页的链接数组，这里不要用emit返回了，因为我们获得的已经是一个数组了。
    pageUrls.forEach(function (page) {
        superagent.get(page).end(function (err, sres) {
            // 常规的错误处理
            if (err) {
                return next(err);
            }
            // 提取作者博客链接，注意去重
            var $ = cheerio.load(sres.text);
            $('.blog_list').each(function (i, e) {
                var u = $('.user_name', e).attr('href');
                if (authorUrls.indexOf(u) === -1) {
                    authorUrls.push(u);
                }
            });
            console.log('get authorUrls successful!\n', authorUrls);
            ep.emit('get_topic_html', 'get authorUrls successful');
        });
    });
});

app.listen(3000, function (req, res) {
    console.log('app is running at port 3000');
});