使用Node.js如何實作資訊爬蟲（詳細教學）

這篇文章主要介紹了使用 Node.js 開發資訊爬蟲流程,爬蟲流程概括下來就是把目標網站的HTML下載到本地再進行資料擷取。具體內容詳情大家參考下本文

最近專案需要一些資訊，因為專案是用Node.js 來寫的，所以就自然地用Node.js 來寫爬蟲了

專案地址：github.com/mrtanweijie… ，專案裡面爬取了Readhub 、 開源中國、 開發者頭條、 36Kr 這幾個網站的資訊內容，暫時沒有對多頁面進行處理，因為每天爬蟲都會跑一次，現在每次獲取到最新的就可以滿足需求了，後期再進行完善

爬蟲流程概括下來就是把目標網站的HTML下載到本地再進行資料擷取。

一、下載頁面

Node.js 有很多http請求函式庫，這裡使用request ，主要程式碼如下：

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 來包裝，方便後面使用的時候用上async/await 。因為有很多網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內容，我們可以使用 Google 的 puppeteer 來下載客戶端渲染的網站頁面。眾所周知的原因，在npm i 的時候puppeteer 可能因為需要下載Chrome核心導致安裝會失敗，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介面請求的方式，這樣後面的HTML解析都不需要了，進行一下簡單的封裝，然後就可以像這樣使用了： #滑稽：）

await new Downloader('http://36kr.com/newsflashes', DOWNLOADER.puppeteer).downloadHTML()

2、HTML內容提取

HTML內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。瀏覽器開啟頁面F12 查看擷取的頁面元素節點，然後根據需求來擷取內容即可

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、資料持久化

資料持久化理論上應該不屬於爬蟲關心的範圍，用mongoose ，創建Model

import mongoose from 'mongoose'
const Schema = mongoose.Schema
const 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)

愉快地保存資料

await newsService.batchSave(newsListTem)

更多內容到Github把專案clone下來看就好了。

總結

上面是我整理給大家的，希望今後會對大家有幫助。

相關文章：

使用react如何建立d3力導向圖（詳細教學）

使用nodejs如何實作即時通訊

關於axios有關Vue.use方面的問題

以上是使用Node.js如何實作資訊爬蟲（詳細教學）的詳細內容。更多資訊請關注PHP中文網其他相關文章！