运用node爬虫,爬取指定排名网站的JS援用库

前期预备

本爬虫将从网站爬取排名前几的网站,详细前几名能够详细设置,并离别爬取他们的主页,搜检是不是援用特定库。

github地点

所用到的node主要模块

  • express 不必多说

  • request http模块

  • cheerio 运转在服务器端的jQuery

  • node-inspector node调试模块

  • node-dev 修正文件后自动重启app

关于调试Node

在恣意一个文件夹,实行node-inspector,经由过程翻开特定页面,在页面上举行调试,然后运转app,运用node-dev app.js来自动重启运用。

所遇到的题目

1. request要求多个页面

  1. 由于要求是异步实行的,和离别返回3个页面的数据,这里只爬取了50个网站,一个页面有20个,所以有3页,经由过程轮回里套request要求,来完成。

  2. 经由过程增加要求头能够完成基础的反爬虫

  3. 处置惩罚数据的要领都写在analyData()内里,形成背面的数据反复存储了,想了良久,才想到一个处理要领,背面会写到是怎样处理的。

for (var i = 1; i < len+1; i++) {
    (function(i){
      var options = {
        url: 'http://www.alexa.cn/siterank/' + i,
        headers: {
          'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
        }
      };
      request(options, function (err, response, body) {
          analyData(body,rank);
      })
    })(i)
  }

2. 多层回调

仔细观察代码,你会发明,处置惩罚数据的要领运用了以下的多层回调,也能够不运用回调,写在一个函数内部;由于,每层都要运用上一层的数据,形成了如许的写法。

function f1(data1){
    f2(data1);
}


function f2(data2){
    f3(data2);
}


function f3(data3){
    f4(data4);
}

3. 正则猎取JS库

由于猎取页面库,起首须要猎取到script的src属性,然后经由过程正则来完成字符串婚配。

<script src="https://ss0.bdstatic.com/5aV1bjqh_Q23odCf/static/superman/js/lib/jquery-1.10.2_d88366fd.js"></script>

猎取到的script多是上面如许的,由于库名的定名真是林林总总,厥后想了一下,由于文件名是用.js末端的,所以就以点号为末端,然后把点号之前的字符截取下来,如许获得了库名,代码以下。


var reg = /[^\/\\]+$/g;
var libName = jsLink.match(reg).join('');
var libFilter = libName.slice(0,libName.indexOf('.'));

4.cheerio模块猎取JS援用链接

这部份也花了一点时候,才搞定,cheerio猎取DOM的要领和jQuery是一样的,须要对返回的DOM对象举行检察,就能够看到对象里隐蔽好深的href属性,要领迥然不同,你也能够运用其他挑选器,挑选到script标签


var $ = cheerio.load(body);
var scriptFile = $('script').toArray();


scriptFile.forEach(function(item,index){
    if (item.attribs.src != null) {
      obtainLibName(item.attribs.src,index);
}

5.存储数据到数据库

存储数据的逻辑是先猎取一切的script信息,然后push到一个缓存数组,由于push背面,紧随着存储到数据库的要领,这两个要领都写在轮回内里的,比方爬取5个网站,每一个网站存储一次,背面也会随着存储,形成数据反复存储。处理要领是存储数据的平常逻辑是先查,再存,这个查比较主要,查询的要领也有多种,这里主如果依据库名来查找唯一的数据对象,运用findOne要领。注重,由于node.js是异步实行的,这里的闭包,每次只传一个i值进去,实行存储的操纵。


// 将缓存数据存储到数据库
function store2db(libObj){
  console.log(libObj);
  for (var i = 0; i < libObj.length; i++) {
    (function(i){
      var jsLib = new JsLib({
          name: libObj[i].lib,
          libsNum: libObj[i].num
      });
      
      JsLib.findOne({'name': libObj[i].lib},function(err,libDoc){
        if(err) console.log(err);
        // console.log(libDoc)
        if (!libDoc){
          jsLib.save(function(err,result){
            if(err) console.log('保留数据失足' + err);
          });
        }

      })
    })(i)
  }
  console.log('一共存储' + libObj.length + '条数据到数据库');
}

6.分页插件

本爬虫前端运用了bootstrap.paginator插件,主如果前台分页,返回数据,依据点击的页数,来显现对应的数据,后期斟酌运用AJAX要求的体式格局来完成翻页的结果,这里的注重项,主如果末了一页的显现,最好前面做个推断,由于返回的数据,不一定刚好是页数的整数倍

function _paging(libObj) {
        var ele = $('#page');
        var pages = Math.ceil(libObj.length/20);
        console.log('总页数' + pages);
        ele.bootstrapPaginator({    
            currentPage: 1,    
            totalPages: pages,    
            size:"normal",    
            bootstrapMajorVersion: 3,    
            alignment:"left",    
            numberOfPages:pages,    
            itemTexts: function (type, page, current) {        
                switch (type) {            
                    case "first": return "首页";            
                    case "prev": return "上一页";            
                    case "next": return "下一页";            
                    case "last": return "末页";            
                    case "page": return page;
                }
            },
            onPageClicked:  function(event, originalEvent, type, page){
                // console.log('当前选中第:' + page + '页');
                var pHtml = '';
                var endPage;
                var startPage = (page-1) * 20;
                if (page < pages) {
                     endPage = page * 20;
                }else{
                     endPage = libObj.length;
                }
                for (var i = startPage; i < endPage; i++) {
                    pHtml += '<tr><td>';
                    pHtml += (i+1) + '</td><td>';
                    pHtml += libObj[i].name + '</td><td>';
                    pHtml += libObj[i].libsNum + '</td></tr>';
                }
                libShow.html(pHtml);
            }
        })
      }

完全代码

1. 前端


 
$(function () {
    var query = $('.query'),
        rank = $('.rank'),
        show = $('.show'),
        queryLib = $('.queryLib'),
        libShow = $('#libShow'),
        libName = $('.libName'),
        displayResult = $('.displayResult');

    var checkLib = (function(){

      function _query(){
        query.click(function(){
            $.post(
                '/query',
                {
                    rank: rank.val(),
                },
                function(data){
                    console.log(data);
                }
            )
        });
        queryLib.click(function(){
            var inputLibName = libName.val();
            if (inputLibName.length == 0) {
                alert('请输入库名~');
                return;
            }
            $.post(
                '/queryLib',
                {
                    libName: inputLibName,
                },
                function(data){
                    if(data.length == 0){
                        alert('没有查询到名为' + inputLibName + '的库');
                        libName.val('');
                        libName.focus();
                        libShow.html('')
                        return;
                    }
                    var libHtml = '';
                    for (var i = 0; i < data.length; i++) {
                        libHtml += '<tr><td>';
                        libHtml += (i+1) + '</td><td>';
                        libHtml += data[i].name + '</td><td>';
                        libHtml += data[i].libsNum + '</td></tr>';
                    }
                    libShow.html(libHtml);
                }
            )
        });
      }

      function _showLibs(){
        show.click(function(){
            $.get(
                '/getLibs',
                {
                    rank: rank.val(),
                },
                function(data){
                    console.log('一共返回'+ data.length + '条数据');
                    console.log(data)
                    var libHtml = '';
                    for (var i = 0; i < 20; i++) {
                        libHtml += '<tr><td>';
                        libHtml += (i+1) + '</td><td>';
                        libHtml += data[i].name + '</td><td>';
                        libHtml += data[i].libsNum + '</td></tr>';
                    }
                    displayResult.show();
                    libShow.html(libHtml);// 点击显现按钮,显现前20项数据
                    _paging(data);
                }
            )
        });
      }

      //翻页器
      function _paging(libObj) {
        var ele = $('#page');
        var pages = Math.ceil(libObj.length/20);
        console.log('总页数' + pages);
        ele.bootstrapPaginator({    
            currentPage: 1,    
            totalPages: pages,    
            size:"normal",    
            bootstrapMajorVersion: 3,    
            alignment:"left",    
            numberOfPages:pages,    
            itemTexts: function (type, page, current) {        
                switch (type) {            
                    case "first": return "首页";            
                    case "prev": return "上一页";            
                    case "next": return "下一页";            
                    case "last": return "末页";            
                    case "page": return page;
                }
            },
            onPageClicked:  function(event, originalEvent, type, page){
                // console.log('当前选中第:' + page + '页');
                var pHtml = '';
                var endPage;
                var startPage = (page-1) * 20;
                if (page < pages) {
                     endPage = page * 20;
                }else{
                     endPage = libObj.length;
                }
                for (var i = startPage; i < endPage; i++) {
                    pHtml += '<tr><td>';
                    pHtml += (i+1) + '</td><td>';
                    pHtml += libObj[i].name + '</td><td>';
                    pHtml += libObj[i].libsNum + '</td></tr>';
                }
                libShow.html(pHtml);
            }
        })
      }

        function init() {
          _query();
         _showLibs();
        }

        return {
            init: init
        }

    })();

    checkLib.init();

})

2.后端路由

var express = require('express');
var mongoose = require('mongoose');
var request = require('request');
var cheerio =require('cheerio');
var router = express.Router();
var JsLib = require('../model/jsLib')

/* 显现主页 */
router.get('/', function(req, res, next) {
  res.render('index');
});

// 显现库
router.get('/getLibs',function(req,res,next){
  JsLib.find({})
  .sort({'libsNum': -1})
  .exec(function(err,data){
    res.json(data);
  })
})

// 库的查询
router.post('/queryLib',function(req,res,next){
  var libName = req.body.libName;

  JsLib.find({
    name: libName
  }).exec(function(err,data){
    if (err) console.log('查询涌现毛病' + err);
    res.json(data);
  })
})

router.post('/query',function(req,res,next) {
  var rank = req.body.rank;
  var len = Math.round(rank/20);
  
  for (var i = 1; i < len+1; i++) {
    (function(i){
      var options = {
        url: 'http://www.alexa.cn/siterank/' + i,
        headers: {
          'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
        }
      };
      request(options, function (err, response, body) {
          analyData(body,rank);
      })
    })(i)
  }
  res.json('保留胜利')
})
 
var sites = [];
var flag = 0;
function analyData(data,rank) {
    if(data.indexOf('html') == -1) return false;
    var $ = cheerio.load(data);// 通报 HTML
    var sitesArr = $('.info-wrap .domain-link a').toArray();//将一切a链接存为数组

    console.log('网站爬取中``')
    for (var i = 0; i < 10; i++) { // ***这里背面要改,默许爬取前10名
        var url = sitesArr[i].attribs.href;
        sites.push(url);//保留网址,增加wwww前缀
    }
    console.log(sites);
    console.log('一共爬取' + sites.length +'个网站');
    console.log('存储数据中...')

    getScript(sites);
}


// 猎取JS库文件地点
function getScript(urls) {
  var scriptArr = [];
  var src = [];
  var jsSrc = [];
  for (var j = 0; j < urls.length; j++) {
      (function(i,callback){
        var options = {
            url: urls[i],
            headers: {
              'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
            }
          }

        request(options, function (err, res, body) {
          if(err) console.log('涌现毛病: '+err);
          var $ = cheerio.load(body);
          var scriptFile = $('script').toArray();
          callback(scriptFile,options.url);
        })
    })(j,storeLib)
  };

  function storeLib(scriptFile,url){
    flag++;// 是不是存储数据的标志
    scriptFile.forEach(function(item,index){
      if (item.attribs.src != null) {
          obtainLibName(item.attribs.src,index);
      }
    })
  
      
    function obtainLibName(jsLink,i){
      var reg = /[^\/\\]+$/g;
      var libName = jsLink.match(reg).join('');
      var libFilter = libName.slice(0,libName.indexOf('.'));

        src.push(libFilter);
    }

    // console.log(src.length);
    // console.log(calcNum(src).length)
    (function(len,urlLength,src){
      // console.log('length is '+ len)
      if (len == 10 ) {// len长度为url的长度才向src和数据库里存储数据,防备反复贮存
        // calcNum(src);//存储数据到数据库 // ***这里背面要改,默许爬取前10名
        var libSrc = calcNum(src);
        store2db(libSrc);
      }
    })(flag,urls.length,src)
  } 
}// getScript END

// 将缓存数据存储到数据库
function store2db(libObj){
  console.log(libObj);
  for (var i = 0; i < libObj.length; i++) {
    (function(i){
      var jsLib = new JsLib({
          name: libObj[i].lib,
          libsNum: libObj[i].num
      });
      
      JsLib.findOne({'name': libObj[i].lib},function(err,libDoc){
        if(err) console.log(err);
        // console.log(libDoc)
        if (!libDoc){
          jsLib.save(function(err,result){
            if(err) console.log('保留数据失足' + err);
          });
        }

      })
    })(i)
  }
  console.log('一共存储' + libObj.length + '条数据到数据库');
}
// JS库排序算法
function calcNum(arr){
    var libObj = {};
    var result = [];
    for (var i = 0, len = arr.length; i < len; i++) {
        
        if (libObj[arr[i]]) {
            libObj[arr[i]] ++;
        } else {
            libObj[arr[i]] = 1;
        }
    }
   
    for(var o in libObj){
        result.push({
            lib: o,
            num: libObj[o]
        })
    }

    result.sort(function(a,b){
        return b.num - a.num;
    });

    return result;
}


module.exports = router;

跋文

经由过程这个小爬虫,进修到许多学问,比方爬虫的反爬虫有哪些策越,意想到node.js的异步实行特征,前后端是怎样举行交互的。同时,也意想到有一些方面的不足,背面还须要继续革新,迎接人人的互相交换。

    原文作者:窗里窗外
    原文地址: https://segmentfault.com/a/1190000010328368
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞