nodeJs爬蟲的技術(shù)點(diǎn)總結(jié)
背景
最近打算把之前看過(guò)的nodeJs相關(guān)的內(nèi)容在復(fù)習(xí)下,順便寫幾個(gè)爬蟲來(lái)打發(fā)無(wú)聊,在爬的過(guò)程中發(fā)現(xiàn)一些問(wèn)題,記錄下以便備忘。
依賴
用到的是在網(wǎng)上爛大街的cheerio庫(kù)來(lái)處理爬取的內(nèi)容,使用superagent處理請(qǐng)求,log4js來(lái)記錄日志。
日志配置
話不多說(shuō),直接上代碼:
const log4js = require('log4js'); log4js.configure({ appenders: { cheese: { type: 'dateFile', filename: 'cheese.log', pattern: '-yyyy-MM-dd.log', // 包含模型 alwaysIncludePattern: true, maxLogSize: 1024, backups: 3 } }, categories: { default: { appenders: ['cheese'], level: 'info' } } }); const logger = log4js.getLogger('cheese'); logger.level = 'INFO'; module.exports = logger;
以上直接導(dǎo)出一個(gè)logger對(duì)象,在業(yè)務(wù)文件里直接調(diào)用logger.info()等函數(shù)添加日志信息就可以,會(huì)按天生成日志。相關(guān)信息網(wǎng)絡(luò)上一堆。
爬取內(nèi)容并處理
superagent.get(cityItemUrl).end((err, res) => { if (err) { return console.error(err); } const $ = cheerio.load(res.text); // 解析當(dāng)前頁(yè)面,獲取當(dāng)前頁(yè)面的城市鏈接地址 const cityInfoEle = $('.newslist1 li a'); cityInfoEle.each((idx, element) => { const $element = $(element); const sceneURL = $element.attr('href'); // 頁(yè)面地址 const sceneName = $element.attr('title'); // 城市名稱 if (!sceneName) { return; } logger.info(`當(dāng)前解析到的目的地是: ${sceneName}, 對(duì)應(yīng)的地址為: ${sceneURL}`); getDesInfos(sceneURL, sceneName); // 獲取城市詳細(xì)信息 ep.after('getDirInfoComplete', cityInfoEle.length, (dirInfos) => { const content = JSON.parse(fs.readFileSync(path.join(__dirname, './imgs.json'))); dirInfos.forEach((element) => { logger.info(`本條數(shù)據(jù)為:${JSON.stringify(element)}`); Object.assign(content, element); }); fs.writeFileSync(path.join(__dirname, './imgs.json'), JSON.stringify(content)); }); }); });
使用superagent請(qǐng)求頁(yè)面,請(qǐng)求成功后使用cheerio 來(lái)加載頁(yè)面內(nèi)容,然后使用類似Jquery的匹配規(guī)則來(lái)查找目的資源。
多個(gè)資源加載完成,使用eventproxy來(lái)代理事件,處理一次資源處罰一次事件,所有事件觸發(fā)完成后處理數(shù)據(jù)。
以上就是最基本的爬蟲了,接下來(lái)就是一些可能會(huì)出問(wèn)題或者需要特別注意的地方了。。。
讀寫本地文件
創(chuàng)建文件夾
function mkdirSync(dirname) { if (fs.existsSync(dirname)) { return true; } if (mkdirSync(path.dirname(dirname))) { fs.mkdirSync(dirname); return true; } return false; }
讀寫文件
const content = JSON.parse(fs.readFileSync(path.join(__dirname, './dir.json'))); dirInfos.forEach((element) => { logger.info(`本條數(shù)據(jù)為:${JSON.stringify(element)}`); Object.assign(content, element); }); fs.writeFileSync(path.join(__dirname, './dir.json'), JSON.stringify(content));
批量下載資源
下載資源可能包括圖片、音頻等等。
使用Bagpipe處理異步并發(fā) 參考
const Bagpipe = require('bagpipe'); const bagpipe = new Bagpipe(10); bagpipe.push(downloadImage, url, dstpath, (err, data) => { if (err) { console.log(err); return; } console.log(`[${dstpath}]: ${data}`); });
下載資源,使用stream來(lái)完成文件寫入。
function downloadImage(src, dest, callback) { request.head(src, (err, res, body) => { if (src && src.indexOf('http') > -1 || src.indexOf('https') > -1) { request(src).pipe(fs.createWriteStream(dest)).on('close', () => { callback(null, dest); }); } }); }
編碼
有時(shí)候直接使用 cheerio.load處理的網(wǎng)頁(yè)內(nèi)容,寫入文件后發(fā)現(xiàn)是編碼后的文字,可以通過(guò)
const $ = cheerio.load(buf, { decodeEntities: false });
來(lái)禁止編碼,
ps: encoding庫(kù)和iconv-lite未能實(shí)現(xiàn)將utf-8編碼的字符轉(zhuǎn)換為中文,可能是還對(duì)API不熟悉,稍后可以關(guān)注下。
最后,附上一個(gè)匹配所有dom標(biāo)簽的正則
const reg = /<.*?>/g;
- Nodejs實(shí)現(xiàn)爬蟲抓取數(shù)據(jù)實(shí)例解析
- 手把手教你用Node.js爬蟲爬取網(wǎng)站數(shù)據(jù)的方法
- node實(shí)現(xiàn)的爬蟲功能示例
- 詳解Node使用Puppeteer完成一次復(fù)雜的爬蟲
- nodejs爬蟲初試superagent和cheerio
- Node.js 利用cheerio制作簡(jiǎn)單的網(wǎng)頁(yè)爬蟲示例
- Node Puppeteer圖像識(shí)別實(shí)現(xiàn)百度指數(shù)爬蟲的示例
- 淺談Node.js爬蟲之網(wǎng)頁(yè)請(qǐng)求模塊
- Node批量爬取頭條視頻并保存方法
相關(guān)文章
websocket+node.js實(shí)現(xiàn)實(shí)時(shí)聊天系統(tǒng)問(wèn)題咨詢
最近新學(xué)習(xí)websocket,做了一個(gè)實(shí)時(shí)聊天。用Node.js搭建的服務(wù):serevr.js. 兩個(gè)相互通信頁(yè)面:client.html 和server.html 但是就是有很多問(wèn)題,下面通過(guò)本文給大家分享下2017-05-05socket.io學(xué)習(xí)教程之基本應(yīng)用(二)
socket.io提供了基于事件的實(shí)時(shí)雙向通訊,下面這篇文章主要給大家介紹了socket.io基本應(yīng)用的相關(guān)資料,對(duì)大家具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面來(lái)一起看看吧。2017-04-04node使用async_hooks模塊進(jìn)行請(qǐng)求追蹤
這篇文章主要介紹了node使用async_hooks模塊進(jìn)行請(qǐng)求追蹤,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01詳解node+express+ejs+bootstrap構(gòu)建項(xiàng)目
本篇文章主要介紹了詳解node+express+ejs+bootstrap構(gòu)建項(xiàng)目,非常具有實(shí)用價(jià)值,需要的朋友可以參考下2017-09-09nodejs語(yǔ)言實(shí)現(xiàn)驗(yàn)證碼生成功能的示例代碼
這篇文章主要介紹了nodejs語(yǔ)言實(shí)現(xiàn)驗(yàn)證碼生成功能的示例代碼,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-10-10nodejs使用socket5進(jìn)行代理請(qǐng)求的實(shí)現(xiàn)
這篇文章主要介紹了nodejs使用socket5進(jìn)行代理請(qǐng)求的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-02-02