Nodejs實現定時爬蟲的完整實例

更新時間：2021年03月12日 11:01:17 作者：咸魚愛前端

這篇文章主要給大家介紹了關于Nodejs實現定時爬蟲的相關資料，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

事件起因

前兩天要幫朋友B站艦長群審核，一個個去艦長列表查找，自然不是一個程序猿的首選，把任務交給計算機讓他自己做，摸魚才是正道。理論成立開始Coding .

由于已知艦長列表的 API 爬蟲使用 Axios 直接訪問接口

于是花了億點點時間寫完了這段爬蟲我稱之為bilibili-live-captain-tools 1.0

const axios = require('axios')
const roomid = "146088"
const ruid = "642922"
const url = `https://api.live.bilibili.com/xlive/app-room/v2/guardTab/topList?roomid=${roomid}&ruid=${ruid}&page_size=30`

const Captin = {
 1: '總督',
 2: '提督',
 3: '艦長'
}

const reqPromise = url => axios.get(url);

let CaptinList = []
let UserList = []

async function crawler(URL, pageNow) {
 const res = await reqPromise(URL);
 if (pageNow == 1) {
 CaptinList = CaptinList.concat(res.data.data.top3);
 }
 CaptinList = CaptinList.concat(res.data.data.list);
}


function getMaxPage(res) {

 const Info = res.data.data.info
 const { page: maxPage } = Info
 return maxPage
}


function getUserList(res) {

 for (let item of res) {
 const userInfo = item
 const { uid, username, guard_level } = userInfo
 UserList.push({ uid, username, Captin: Captin[guard_level] })
 }
}

async function main(UID) {
 const maxPage = await reqPromise(`${url}&page=1`).then(getMaxPage)
 for (let pageNow = 1; pageNow < maxPage + 1; pageNow++) {
 const URL = `${url}&page=${pageNow}`;
 await crawler(URL, pageNow);
 }
 getUserList(CaptinList)
 console.log(search(UID, UserList))
 return search(UID, UserList)
}

function search(uid, UserList) {
 for (let i = 0; i < UserList.length; i++) {
 if (UserList[i].uid === uid) {
 return UserList[i];
 }
 }
 return 0
}

module.exports = {
 main
}

很明顯這個爬蟲只能手動觸發(fā)，直接跑還需要個命令行和node環(huán)境，于是就給他用Koa2開了個頁面服務，寫一個極其簡陋的頁面

const Koa = require('koa');
const app = new Koa();
const path = require('path')
const fs = require('fs');
const router = require('koa-router')();
const index = require('./index')
const views = require('koa-views')



app.use(views(path.join(__dirname, './'), {
 extension: 'ejs'
}))
app.use(router.routes());

router.get('/', async ctx => {
 ctx.response.type = 'html';
 ctx.response.body = fs.createReadStream('./index.html');
})

router.get('/api/captin', async (ctx) => {
 const UID = ctx.request.query.uid
 console.log(UID)
 const Info = await index.main(parseInt(UID))
 await ctx.render('index', {
 Info,
 })
});

app.listen(3000);

由于頁面沒有節(jié)流防抖，當前版本又只能實時爬取，等待時間較長，頻繁刷新自然會觸發(fā)b站的反爬蟲機制，于是當前服務器ip就被風控了。

于是bilibili-live-captain-tools 2.0橫空出世

function throttle(fn, delay) {
 var timer;
 return function () {
 var _this = this;
 var args = arguments;
 if (timer) {
  return;
 }
 timer = setTimeout(function () {
  fn.apply(_this, args);
  timer = null; // 在delay后執(zhí)行完fn之后清空timer，此時timer為假，throttle觸發(fā)可以進入計時器
 }, delay)
 }
}

再添加節(jié)流防抖的同時，使用偽實時爬蟲（通過定時任務一分鐘爬取一次）

這種情況我們需要去定時執(zhí)行爬蟲腳本了，這個時候我就想到了就可以利用egg的schedule功能了，可是不想讓一個爬蟲程序如此“大材小用”,遇事不決，百度一下。于是就有了下面的方案

使用 Node Schedule 實現定時任務

Node Schedule是用于Node.js的靈活的cron類和非cron類作業(yè)調度程序。它允許您使用可選的重復規(guī)則來計劃作業(yè)（任意函數），以在特定日期執(zhí)行。它在任何給定時間僅使用一個計時器（而不是每秒鐘/分鐘重新評估即將到來的作業(yè)）。

一、安裝 node-schedule

npm install node-schedule
# 或
yarn add node-schedule

二、基本用法

一起啊看一下官方給的例子

const schedule = require('node-schedule');

const job = schedule.scheduleJob('42 * * * *', function(){
 console.log('The answer to life, the universe, and everything!');
});

schedule.scheduleJob 的第一個參數需要如下按照規(guī)則輸入

Node Schedule規(guī)則按下表表示

* * * * * *
┬ ┬ ┬ ┬ ┬ ┬
│ │ │ │ │ |
│ │ │ │ │ └ 星期幾，取值：0 - 7，其中 0 和 7 都表示是周日
│ │ │ │ └─── 月份，取值：1 - 12
│ │ │ └────── 日期，取值：1 - 31
│ │ └───────── 時，取值：0 - 23
│ └──────────── 分，取值：0 - 59
└─────────────── 秒，取值：0 - 59（可選）
也可以指定一個具體的時間，如：const date = new Date()

看懂規(guī)則我們自己實現一個

const schedule = require('node-schedule');

// 定義一個時間
let date = new Date(2021, 3, 10, 12, 00, 0);

// 定義一個任務
let job = schedule.scheduleJob(date, () => {
 console.log("現在時間:",new Date());
});

上面的例子就代表到2021年3月10日12點的時候執(zhí)行報時

三、高級用法

除了基礎的用法，我們還可以使用一些更為靈活的方法來實現定時任務。

3.1、隔一分鐘執(zhí)行一次

const schedule = require('node-schedule');

// 定義規(guī)則
let rule = new schedule.RecurrenceRule();
rule.second = 0
//每分鐘 0 秒執(zhí)行一次

// 啟動任務
let job = schedule.scheduleJob(rule, () => {
 console.log(new Date());
});

rule 支持設置的值有 second、minute、hour、date、dayOfWeek、month、year 等。

一些常見的規(guī)則如下表

每秒執(zhí)行
rule.second = [0,1,2,3......59];
每分鐘 0 秒執(zhí)行
rule.second = 0;
每小時 30 分執(zhí)行
rule.minute = 30;
rule.second = 0;
每天 0 點執(zhí)行
rule.hour =0;
rule.minute =0;
rule.second =0;
每月 1 號的 10 點執(zhí)行
rule.date = 1;
rule.hour = 10;
rule.minute = 0;
rule.second = 0;
每周一、周三、周五的 0 點和 12 點執(zhí)行
rule.dayOfWeek = [1,3,5];
rule.hour = [0,12];
rule.minute = 0;
rule.second = 0;