爬取内容
- http/https/axios爬取api接口
后端渲染模式(ejs,jsp,thymeleaf…):服务器渲染好页面,再交给前端展示
const axios = require('axios')
const { headers, data } = await axios.get(url)
- request/crawl/superagent爬取html
前端渲染模式(vue,react…):服务器返回空页面,页面数据,js文件,再由前端完成渲染。无法爬取
let request = require('request')
request(url, (err, response, body) => {
// body即html
const regex = /class="title" data-v-\w+>(.+?)<\/a>/g
let titles = []
body.replace(regex, (match, title) => {
titles.push(title)
})
console.log(titles)
})
- puppeteer控制chromium(为所欲为)
可以通过api控制浏览器行为(实现爬虫,自动签到,网页截图,生成pdf,自动化测试等)
const browser = await puppeteer.launch({ headless: false })
const page = await browser.newPage()
await page.goto('https://juejin.im/welcome/frontend')
const titles = await page.$$eval('a.title', as => {
return Array.from(as).map(a => a.innerText).join('\r\n')
})
fs.writeFileSync('titles.txt', titles, 'UTF8')
await browser.close()
数据格式化、持久化、建立索引
- 传输数据格式:json form formdata
Content-Type:(application/json application/x-www-urlencoded multipart/form-data) - 持久化建立索引
连接数据库 - 数据编码问题(iconv-lite)
request在内部buffer转字符串默认utf8编码(例如gbk扩展了gb2312,gb180扩展了gbk)const iconv = require('iconv-lite') // cheerio像jquery一样获取html元素 const cheerio = require('cheerio) request({ url,encoding:null }, (err,response,body)=>{ body=iconv.decode(body,'gbk') let $ = cheerio.load(body) let titles = [] $('a.list-title').each((index,item)=>{ titles.push($(item).text()) }) })
数据订阅、发布
- 数据订阅
cron 与 org.springframework.scheduling.annotation.Scheduled 类同
cron周期性执行
const {CronJob} = require('cron')
new CronJob('* * * * * *', ()=>{ console.log() }).start()
例如每个月8号晚上10点执行一次: ‘0 0 22 8 * *’
- 防止程序退出
node.js大部分情况异步io的错误无法被trycatch捕获,接下来会交给uncaughtException函数处理,若没有注册则会导致程序退出(node只有一个线程)
监听未知错误
process.on('uncaughtException', error => {
console.log('监听到了未知的错误', error)
})
- 进程管理(pm2)