nodejs 爬虫相关模块小整合
AnyaUJVI
8年前
<p>爬虫关键步骤都围绕在于 请求 、 获取数据 、 处理数据 ,当然还有应对一些反爬虫的策略,比如伪造headers,ip代理等等,下文就主要围绕nodejs我常用的模块和经验谈起</p> <h3><strong>请求和获取数据模块</strong></h3> <p>superagent</p> <p>名字就叫做超级代理,是一个非常实用的http请求模块,常用于 get 、 post 等请求,对于nodejs爬虫我主要就用它来实现请求操作,还有一些表单post操作,模拟ajax请求等,z支持链式调用</p> <pre> superagent.post(url) .set(headers) //设置请求头 .set('Cookie', cookie) // 设置cookie .type('form') .send({ //表单数据 }) .end(function(err, res) { //数据与错误处理 }) </pre> <p>中文文档: <a href="/misc/goto?guid=4959723178880240327" rel="nofollow,noindex">https://cnodejs.org/topic/5378720ed6e2d16149fa16bd</a></p> <p>superagent-charset</p> <p>这个是上面那个模块的拓展,因为 superagent 只支持 UTF-8 ,用了这个库可以指定编码,当你用 superagent 爬出乱码时可以使用它</p> <pre> superagent.get(url) .set(headers) .charset('gbk') //指定编码 .end(function(err, res) { if (err) { return console.err(err); } }) </pre> <p>superagent-retry</p> <p>当你遇到以下错误的时候,可以使用它,之前我用了它确实错误问题就解决了</p> <ul> <li>ECONNRESET</li> <li>ECONNREFUSED</li> <li>ETIMEDOUT</li> <li>EADDRINFO</li> <li>ESOCKETTIMEDOUT</li> <li>superagent client timeouts</li> <li>bad gateway errors (502, 503, 504 statuses)</li> <li>Internal Server Error (500 status)</li> </ul> <pre> var superagent = require('superagent'); require('./superagent-retry')(superagent); superagent.get(url) .set(headers_visit) .retry(2) //在响应前请求两次 .end(function(err, res) { if (err) { return console.err(err); } }) </pre> <h3><strong>处理数据模块</strong></h3> <p>cheerio</p> <p>这是一个非常好用的处理模块,是jQuery的子集,可以使用大量jQuery的语法来获取你爬虫请求到的数据,用正则真是太不友好~</p> <pre> superagent.get(url) .set(headers) .end(function(err, res) { if (err) { return console.err(err); } $ = cheerio.load(res.text); // $(".XXX")选中class // $("#XXX")选中id // ... }) </pre> <p>中文文档: <a href="/misc/goto?guid=4959723179200865450" rel="nofollow,noindex">https://cnodejs.org/topic/5203a71844e76d216a727d2e</a></p> <p>fs</p> <p>它虽然是一个模块,但并不需要从npm下载(npm里的那个就一句话 console.log("I'm fs modules"); ),是nodejs自带的文件系统模块,直接引入即可,提供了nodejs本地读写的能力,可以写入读取本地文件,我们爬虫如果不需要写入数据库,写入本地的话,就必须得用到它了</p> <pre> var fs = require('fs'); // 读取文件 fs.readFile('input.txt', function (err, data) { if (err) { return console.error(err); } }); // 写入文件 fs.writeFile('input.txt', 'XXX', function(err) { if (err) { return console.error(err); } }); </pre> <p>中文教程: <a href="/misc/goto?guid=4959723179299667154" rel="nofollow,noindex">http://www.runoob.com/nodejs/nodejs-fs.html</a></p> <p>excel相关</p> <p>最近爬的数据需要爬入excel,然而fs模块并不能直接写入xlsx,就得用别的途径</p> <p>node-xlsx</p> <p>这个模块挺简单上手的,我只试过导出excel,也可以读取,觉得挺方便,具体其他可以直接看docs</p> <pre> var xlsx = require('node-xlsx'); var fs = require('fs'); var data = [ [1, 2, 3], [true, false, null, 'sheetjs'], ['foo', 'bar', new Date('2014-02-19T14:30Z'), '0.3'], ['baz', null, 'qux'] ]; var buffer = xlsx.build([{ name: 'mySheet', data: data }]); fs.writeFile('test.xlsx', buffer, { 'flag': 'w+' }, function(err) { if (err) { return console.error(err); } console.log("写入成功"); }); </pre> <p>tips:不过因为我爬取大量数据,如果一味放数组里也会让程序崩溃,但是我开启 a+ 这个fs的追加模式,发现写入有点问题,所以我最近采用了逗号分割csv的方式</p> <p>csv</p> <p>.csv后缀文件可以以纯文本存储表格数据,然后我直接用 fs 写入,用 , 来分割列,用 \n 来分割行就解决问题了,这个简单快捷</p> <h3><strong>异步处理模块</strong></h3> <p>这个我没去调研各个模块,,就只介绍我用过的</p> <p>对于异步这在node爬虫中是必须去处理的,因为fs写入文件,superagent请求这些都是异步的,我们可以用 promise 来解决,当然es6出现了 generator 生成器解决回调,还有es7的 async/await 的异步解决方案,这里就暂且不说这些了,我就只介绍下我使用的 async 模块</p> <p>async</p> <p>这是一个异步流程控制模块,还可以在爬虫时控制并发数目,通常来说我们爬取一堆url有规律的数据,我通常构造一个数组然后使用它来解决异步</p> <pre> // 我这里对一个有规律的url+urlArr[i]进行爬取 for (var i = 1; i <= 900000; i++) { urlArr.push(i); } // 这里是分6批执行,每一批并行,批之间按顺序 async.eachLimit(urlArr, 6, function(item, callback) { spider(item, callback);//爬虫函数 // 用callback(null)代表完成 // 用callback('err')代表错误 }, function(err) { if (err) { return console.log(err); } console.log("结束"); }); </pre> <p>这个模块就可以解决我的异步问题了,更多用法看这位作者写的,挺详细的, <a href="/misc/goto?guid=4959723179610794264" rel="nofollow,noindex">https://github.com/alsotang/async_demo</a></p> <h3><strong>其他模块</strong></h3> <p>这些模块就有些针对爬虫特定需求的</p> <p>node-tesseract</p> <p>这是验证码识别相关的</p> <ul> <li>可以看我的文章 <a href="/misc/goto?guid=4959723179724792979" rel="nofollow,noindex">https://bupt-hjm.github.io/2016/05/29/buptclass/</a></li> <li>还有这位前辈写的 <a href="/misc/goto?guid=4959661419604399213" rel="nofollow,noindex">http://think2011.net/2016/01/31/node-ocr/</a></li> </ul> <p>node-schedule</p> <p>当我们的爬虫需要定时爬取的时候,它就可以发挥巨大作用啦</p> <ul> <li> <p>node.js中使用node-schedule实现定时任务实例</p> </li> </ul> <p>node-ssh2sync</p> <p>之前我爬取教务系统,因为只能校园网访问,所以我就只能本地爬取上传服务器,这个不是npm下载的模块,直接从github下载,作为我简单的上传需求,它还是挺好用的</p> <pre> var ssh2sync = require('ssh2sync'); var root_local = ... ; // Grab these from command line arguments? var root_remote = ...; var force = true; ssh2sync.upload(root_local, root_remote, force, { // debug: console.log, host: ... remote host name ..., port: 22, username: ... user name ..., privateKey: require('fs').readFileSync('/path/to/users/.ssh/id_dsa') // OR password: ... the password .. }); </pre> <h3> </h3> <p> </p> <p>来自:http://bupt-hjm.github.io/2016/10/31/nodejs-spider-experience/</p> <p> </p>