前端之家收集整理的这篇文章主要介绍了
使用 Node.js 开发资讯爬虫流程,
前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。
最近项目需要一些资讯,因为项目是用 Node.js 来写的,所以就自然地用 Node.js 来写爬虫了
项目地址:nofollow" target="_blank" href="https://github.com/mrtanweijie/Park">github.com/mrtanweijie… ,项目里面爬取了 Readhub 、 开源中国 、 开发者头条 、 36Kr 这几个网站的资讯内容,暂时没有对多页面进行处理,因为每天爬虫都会跑一次,现在每次获取到最新的就可以满足需求了,后期再进行完善
爬虫流程概括下来就是把目标网站的HTML下载到本地再进行数据提取。
Node.js 有很多http请求库,这里使用 request ,主要代码如下:
{
request(options,(err,response,body) => {
if (!err && response.statusCode === 200) {
return resolve(body)
} else {
return reject(err)
}
})
})
}
使用 Promise 来进行包装,便于后面使用的时候用上 async/await 。因为有很多网站是在客户端渲染的,所以下载到的页面不一定包含想要的HTML内容,我们可以使用 Google 的 puppeteer 来下载客户端渲染的网站页面。众所周知的原因,在 npm i 的时候 puppeteer 可能因为需要下载Chrome内核导致安装会失败,多试几次就好了:)
{
try {
const browser = await puppeteer.launch({ headless: true })
const page = await browser.newPage()
await page.goto(this.url)
const bodyHandle = await page.$('body')
const bodyHTML = await page.evaluate(body => body.innerHTML,bodyHandle)
return resolve(bodyHTML)
} catch (err) {
console.log(err)
return reject(err)
}
})
}
当然客户端渲染的页面最好是直接使用接口请求的方式,这样后面的HTML解析都不需要了,进行一下简单的封装,然后就可以像这样使用了: #滑稽 :)
HTML内容提取当然是使用神器 cheerio 了, cheerio 暴露了和 jQuery 一样的接口,用起来非常简单。浏览器打开页面 F12 查看提取的页面元素节点,然后根据需求来提取内容即可
{
let a = this.$(e).find('a')
this.extractData.push(
this.extractDataFactory(
a.attr('href'),a.text(),'',SOURCECODE.Readhub
)
)
})
return this.extractData
}
三、定时任务
{
spider()
},start: false
})
cronJob.start()
}
四、数据持久化
数据持久化理论上应该不属于爬虫关心的范围,用 mongoose ,创建Model
required: true },url: { type: 'String',summary: String,recommend: { type: Boolean,default: false },source: { type: Number,
required: true,default: 0 },status: { type: Number,createdTime: { type: Date,default: Date.now }
},{
collection: 'news'
}
)
export default mongoose.model('news',NewsSchema)
基本操作
saveObject (objData) {
return new Promise((resolve,reject) => {
this.ObjModel(objData).save((err,result) => {
if (err) {
return reject(err)
}
return resolve(result)
})
})
}
}
export default BaseService
资讯
愉快地保存数据
更多内容到Github把项目clone下来看就好了。
总结