分享一个写的node RSS爬虫，以及重要完成流程

2024年5月8日 275次阅读 来源: 菜菜蔡伟

媒介

为了更好分享和宣布本身的内容，如今供应RSS效劳的网站和社区异常之多，如今基于python，java等平台的RSS爬虫异常之多，所以连系node高并发特征，本身用node写了一个RSS爬虫——rss-worker。

简介

rss-worker是一个耐久的可配的rss爬虫。支撑多URL的并行爬取，而且会将一切条目按时候递次举行保留，保留花样为"时候\n题目\n内容\n\n"来供运用或剖析，支撑的保留体式格局有fs与mongodb。

效果演示

一个抓取https://github.com/alsotang.atom，https://cnodejs.org/rss，http://segmentfault.com/feeds/blogs内容24小时的输出（2015/5/6 19:30至2015/5/7 19:30 ）：

点这里

源码地点：这里 ， 欢迎来star，follow。

重要流程

爬取：并发地对一切指定URL运用superagent发送要求，并在一切URL悉数爬取终了后依据指定距离再次发出爬取要求

效果更新：在内存中缓存了一个lastUpdate字段，与每次的爬取效果作比对

支撑fs和mongo存储：应用persistence层供应一致接口，对外隐蔽差别完成

装置运用

直接经由过程npm：

SHELLnpm install rss-worker --save

示例

jsvar RssWorker = require('rss-worker');

var opt = {
  urls: ['https://cnodejs.org/rss', 'https://github.com/DavidCai1993.atom', 'http://segmentfault.com/feeds'],
  store: {
    type: 'fs',
    dist: './store/rss.txt'
  },
  timeout: 10
};

var rssWorker = new RssWorker(opt);
rssWorker.start();

API

new RssWorker(options)

天生一个RssWorker的实例

options:

  • urls(Array) – 必选，须要抓取的rss地点的数组
  • store(Object) – 存储体式格局，须要设置type与dist两属性
    • type – 存储体式格局，可选fs（默许）或mongodb
    • dist – 存储效果的文件地点（将会自动建立），如：./store/rss.txt（fs），mongodb://localhost:27017/rss_worker（mongodb）
  • timeout(Number) – 每次抓取的距离（秒），默许为60秒

start()

最先抓取

forceToEnd()

发出住手抓取信号，将不会继承抓取，但不会影响到正在举行的本次抓取。

    原文作者：菜菜蔡伟
    原文地址: https://segmentfault.com/a/1190000002759315
    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