最近項目需要一些資訊，因為項目是用 Node.js 來寫的，所以就自然地用 Node.js 來寫爬蟲了
項目地址：github.com/mrtanweijie… ，項目里面爬取了 Readhub 、 開源中國 、 開發(fā)者頭條 、 36Kr 這幾個網(wǎng)站的資訊內(nèi)容，暫時沒有對多頁面進行處理，因為每天爬蟲都會跑一次，現(xiàn)在每次獲取到最新的就可以滿足需求了，后期再進行完善
爬蟲流程概括下來就是把目標網(wǎng)站的HTML下載到本地再進行數(shù)據(jù)提取。
一、下載頁面
Node.js 有很多http請求庫，這里使用 request ，主要代碼如下：
requestDownloadHTML () { const options = { url: this.url, headers: { 'User-Agent': this.randomUserAgent() } } return new Promise((resolve, reject) => { request(options, (err, response, body) => { if (!err && response.statusCode === 200) { return resolve(body) } else { return reject(err) } }) }) }使用 Promise 來進行包裝，便于后面使用的時候用上 async/await 。因為有很多網(wǎng)站是在客戶端渲染的，所以下載到的頁面不一定包含想要的HTML內(nèi)容，我們可以使用 Google 的 puppeteer 來下載客戶端渲染的網(wǎng)站頁面。眾所周知的原因，在 npm i 的時候 puppeteer 可能因為需要下載Chrome內(nèi)核導致安裝會失敗，多試幾次就好了：）
puppeteerDownloadHTML () { return new Promise(async (resolve, reject) => { try { const browser = await puppeteer.launch({ headless: true }) const page = await browser.newPage() await page.goto(this.url) const bodyHandle = await page.$('body') const bodyHTML = await page.evaluate(body => body.innerHTML, bodyHandle) return resolve(bodyHTML) } catch (err) { console.log(err) return reject(err) } }) }當然客戶端渲染的頁面最好是直接使用接口請求的方式，這樣后面的HTML解析都不需要了，進行一下簡單的封裝，然后就可以像這樣使用了： #滑稽 ：）
await new Downloader('http://36kr.com/newsflashes', DOWNLOADER.puppeteer).downloadHTML()二、HTML內(nèi)容提取
HTML內(nèi)容提取當然是使用神器 cheerio 了， cheerio 暴露了和 jQuery 一樣的接口，用起來非常簡單。瀏覽器打開頁面 F12 查看提取的頁面元素節(jié)點，然后根據(jù)需求來提取內(nèi)容即可
readHubExtract () { let nodeList = this.$('#itemList').find('.enableVisited') nodeList.each((i, e) => { let a = this.$(e).find('a') this.extractData.push( this.extractDataFactory( a.attr('href'), a.text(), '', SOURCECODE.Readhub ) ) }) return this.extractData }三、定時任務
cron 每天跑一跑 function job () { let cronJob = new cron.CronJob({ cronTime: cronConfig.cronTime, onTick: () => { spider() }, start: false }) cronJob.start()}四、數(shù)據(jù)持久化
數(shù)據(jù)持久化理論上應該不屬于爬蟲關心的范圍，用 mongoose ，創(chuàng)建Model
import mongoose from 'mongoose'const Schema = mongoose.Schemaconst NewsSchema = new Schema( { title: { type: 'String', required: true }, url: { type: 'String', required: true }, summary: String, recommend: { type: Boolean, default: false }, source: { type: Number, required: true, default: 0 }, status: { type: Number, required: true, default: 0 }, createdTime: { type: Date, default: Date.now } }, { collection: 'news' })export default mongoose.model('news', NewsSchema)基本操作
import { OBJ_STATUS } from '../../Constants'class BaseService { constructor (ObjModel) { this.ObjModel = ObjModel } saveObject (objData) { return new Promise((resolve, reject) => { this.ObjModel(objData).save((err, result) => { if (err) { return reject(err) } return resolve(result) }) }) }}export default BaseService資訊
import BaseService from './BaseService'import News from '../models/News'class NewsService extends BaseService {}export default new NewsService(News)愉快地保存數(shù)據(jù)
await newsService.batchSave(newsListTem)
更多內(nèi)容到Github把項目clone下來看就好了。
總結(jié)
新聞熱點
疑難解答
