nodejs和python爬虫 哪个好_简单好用的nodejs 爬虫框架分享

这个就是一篇介绍爬虫框架的文章，开头就不说什么剧情了。什么最近一个项目了，什么分享新知了，剧情是挺好，但介绍的很初级，根本就没有办法应用，不支持队列的爬虫，都是耍流氓。 所以我就先来举一个例子，看一下这个爬虫框架是多么简单并可用。

第一步：安装 Crawl-pet

nodejs 就不用多介绍吧，用 npm 安装 crawl-pet

$ npm install crawl-pet -g --production

运行，程序会引导你完成配置，首次运行，会在项目目录下生成 info.json 文件

$ crawl-pet

> Set project dir: ./test-crawl-pet

> Create crawl-pet in ./test-crawl-pet [y/n]: y

> Set target url: http://foodshot.co/

> Set save rule [url/simple/group]: url

> Set file type limit:

> The limit: not limit

> Set parser rule module:

> The module: use default crawl-pet.parser

这里使用的测试网站 http://foodshot.co/ 是一个自由版权的，分享美食图片的网站，网站里的图片质量非常棒，这里用它只是为测试学习用，大家可以换其它网站测试

如果使用默认解析器的话，已经可以运行，看看效果:

$ crawl-pet -o ./test-crawl-pet

试试看

这是下载后的目录结构

本地目录结构

第二步：写自己的解析器

现在我们来看一看如何写自己的解析器，有三种方法来生成我们自己的解析器

在新建项目时, 在 Set parser rule module 输入自己的解释器路径。修改 info.json 下的 parser 项这个最简单，直接在项目录下新建一个 parser.js 文件

使用 crawl-pet， 新建一个解析器模板

$ crawl-pet --create-parser ./test-crawl-pet/parser.js

打开 ./test-crawl-pet/parser.js 文件

// crawl-pet 支持使用 cheerio，来进行页面分析，如果你有这个需要

const cheerio = require("cheerio")

/*

* header 函数是在请求发送前调用，可以配置请求的头信息，如果返回 false，则中断请求

*

* 参数：

* options: 详细设置请看 https://github.com/request/request

* crawler_handle: 与队列通信的对象，详情见下

*

* header 函数是可选的，可不写

*/

exports.header = function(options, crawler_handle) {

}

/*

* body 函数是在请求返回后调用，用来解析返回结果

*

* 参数:

* url: 请求的 url

* body: 请求返回结果, string 类型

* response: 请求的响应，详情请看： https://github.com/request/request

* crawler_handle: 与队列通信的对象，该对象包含以下方法

* .info : crawl-pet 的配置信息

* .uri : 当前请求的 uri 信息

* .addPage(url) : 向队列里添加一个待解析页面

* .addDown(url) : 向队列里添加一个待下载文件

* .save(content, ext) : 保存文本到本地，ext 设置保存文件的后缀名

* .over() : 结束当前队列，取出下一条队列数据

*/

exports.body = function(url, body, response, crawler_handle) {

const re = /\b(href|src)\s*=\s*["']([^'"#]+)/ig

var m = null

while (m = re.exec(body)){

let href = m[2]

if (/\.(png|gif|jpg|jpeg|mp4)\b/i.test(href)) {

// 这理添加了一条下载

crawler_handle.addDown(href)

}else if(!/\.(css|js|json|xml|svg)/.test(href)){

// 这理添加了一个待解析页面

crawler_handle.addPage(href)

}

}

// 记得在解析结束后一定要执行

crawler_handle.over()

}

在最后会有一个分享，懂得的请往下看

第三步：查看爬取下来的数据

根据以下载到本地的文件，查找下载地址

$ crawl-pet -f ./test-crawl-pet/photos.foodshot.co/*.jpg

查找下载地址

查看等待队列

$ crawl-pet -l queue

查看等待队列

查看已下载的文件列表

$ crawl-pet -l down # 查看已下载列表中第 0 条后的5条数据 $ crawl-pet -l down,0,5 # --json 参数表示输出格式为 json $ crawl-pet -l down,0,5 --json

已下载的文件

查看已解析页面列表，参数与查看已下载的相同

$ crawl-pet -l page

基本功能就这些了，看一下它的帮助吧

$ crawl-pet --help

Crawl-pet options help:

-u, --url string Destination address

-o, --outdir string Save the directory, Default use pwd

-r, --restart Reload all page

--clear Clear queue

--save string Save file rules following options

= url: Save the path consistent with url

= simple: Save file in the project path

= group: Save 500 files in one folder

--types array Limit download file type

--limit number=5 Concurrency limit

--sleep number=200 Concurrent interval

--timeout number=180000 Queue timeout

--proxy string Set up proxy

--parser string Set crawl rule, it's a js file path!

The default load the parser.js file in the project path

--maxsize number Limit the maximum size of the download file

--minwidth number Limit the minimum width of the download file

--minheight number Limit the minimum height of the download file

-i, --info View the configuration file

-l, --list array View the queue data

e.g. [page/down/queue],0,-1

-f, --find array Find the download URL of the local file

--json Print result to json format

-v, --version View version

-h, --help View help

最后分享一个配置

$ crawl-pet -u https://www.reddit.com/r/funny/ -o reddit --save group

info.json

{

"url": "https://www.reddit.com/r/funny/",

"outdir": ".",

"save": "group",

"types": "",

"limit": "5",

"parser": "my_parser.js",

"sleep": "200",

"timeout": "180000",

"proxy": "",

"maxsize": 0,

"minwidth": 0,

"minheight": 0,

"cookie": "over18=1"

}

my_parser.js

exports.body = function(url, body, response, crawler_handle) {

const re = /\b(data-url|href|src)\s*=\s*["']([^'"#]+)/ig

var m = null

while (m = re.exec(body)){

let href = m[2]

if (/thumb|user|icon|\.(css|json|js|xml|svg)\b/i.test(href)) {

continue

}

if (/\.(png|gif|jpg|jpeg|mp4)\b/i.test(href)) {

crawler_handle.addDown(href)

continue

}

if(/reddit\.com\/r\//i.test(href)){

crawler_handle.addPage(href)

}

}

crawler_handle.over()

}

如果你是了解 reddit 的，那就这样了。

本站下载地址：点击下载