背景
最近打算把之前看过的nodeJs相关的内容在复习下,顺便写几个爬虫来打发无聊,在爬的过程中发现一些问题,记录下以便备忘。
依赖
用到的是在网上烂大街的cheerio库来处理爬取的内容,使用superagent处理请求,log4js来记录日志。
日志配置
话不多说,直接上代码:
const log4js = require('log4js');
log4js.configure({
appenders: {
cheese: {
type: 'dateFile',
filename: 'cheese.log',
pattern: '-yyyy-MM-dd.log',
// 包含模型
alwaysIncludePattern: true,
maxLogSize: 1024,
backups: 3 }
},
categories: { default: { appenders: ['cheese'], level: 'info' } }
});
const logger = log4js.getLogger('cheese');
logger.level = 'INFO';
module.exports = logger;
以上直接导出一个logger对象,在业务文件里直接调用logger.info()等函数添加日志信息就可以,会按天生成日志。相关信息网络上一堆。
爬取内容并处理
superagent.get(cityItemUrl).end((err, res) => {
if (err) {
return console.error(err);
}
const $ = cheerio.load(res.text);
// 解析当前页面,获取当前页面的城市链接地址
const cityInfoEle = $('.newslist1 li a');
cityInfoEle.each((idx, element) => {
const $element = $(element);
const sceneURL = $element.attr('href'); // 页面地址
const sceneName = $element.attr('title'); // 城市名称
if (!sceneName) {
return;
}
logger.info(`当前解析到的目的地是: ${sceneName}, 对应的地址为: ${sceneURL}`);
getDesInfos(sceneURL, sceneName); // 获取城市详细信息
ep.after('getDirInfoComplete', cityInfoEle.length, (dirInfos) => {
const content = JSON.parse(fs.readFileSync(path.join(__dirname, './imgs.json')));
dirInfos.forEach((element) => {
logger.info(`本条数据为:${JSON.stringify(element)}`);
Object.assign(content, element);
});
fs.writeFileSync(path.join(__dirname, './imgs.json'), JSON.stringify(content));
});
});
});
使用superagent请求页面,请求成功后使用cheerio 来加载页面内容,然后使用类似Jquery的匹配规则来查找目的资源。
多个资源加载完成,使用eventproxy来代理事件,处理一次资源处罚一次事件,所有事件触发完成后处理数据。
以上就是最基本的爬虫了,接下来就是一些可能会出问题或者需要特别注意的地方了。。。
读写本地文件
创建文件夹
function mkdirSync(dirname) {
if (fs.existsSync(dirname)) {
return true;
}
if (mkdirSync(path.dirname(dirname))) {
fs.mkdirSync(dirname);
return true;
}
return false;
}
读写文件
const content = JSON.parse(fs.readFileSync(path.join(__dirname, './dir.json')));
dirInfos.forEach((element) => {
logger.info(`本条数据为:${JSON.stringify(element)}`);
Object.assign(content, element);
});
fs.writeFileSync(path.join(__dirname, './dir.json'), JSON.stringify(content));
批量下载资源
下载资源可能包括图片、音频等等。
使用Bagpipe处理异步并发 参考
const Bagpipe = require('bagpipe');
const bagpipe = new Bagpipe(10);
bagpipe.push(downloadImage, url, dstpath, (err, data) => {
if (err) {
console.log(err);
return;
}
console.log(`[${dstpath}]: ${data}`);
});
下载资源,使用stream来完成文件写入。
function downloadImage(src, dest, callback) {
request.head(src, (err, res, body) => {
if (src && src.indexOf('http') > -1 || src.indexOf('https') > -1) {
request(src).pipe(fs.createWriteStream(dest)).on('close', () => {
callback(null, dest);
});
}
});
}
编码
有时候直接使用 cheerio.load处理的网页内容,写入文件后发现是编码后的文字,可以通过
const $ = cheerio.load(buf, { decodeEntities: false });
来禁止编码,
ps: encoding库和iconv-lite未能实现将utf-8编码的字符转换为中文,可能是还对API不熟悉,稍后可以关注下。
最后,附上一个匹配所有dom标签的正则