node网络爬虫实例了解下？

2024年2月12日 153次阅读 来源: 2ming

今天给大家分享的是node爬虫，写得不好的大家多关照，指出

背景交代，以下写的demo都是参照《python3网络爬虫开发实战》用node实现的，所以demo的具体思路什么的，大家可以去看书上的介绍，感兴趣的，可以去了解一波。

  • [x] 3.4 猫眼电影抓取

    猫眼电影抓取，没什么难点，非常简单的一个实例。唯一要注意的地方就是正则吧（当然也可以用cheerio库来实现更简单，主要是为了实践下不同的方式）。因为python3有很多现成的方法，所以当用node去写的时候，可能要改变一下，具体的可以看源码

let re = /<dd>(?:\s.*?)*board-index.*?>(\d+)<\/i>(?:\s.*?)*data-src="(.*?)"(?:\s.*?)*name"><a.*?>(.*?)<\/a><\/p>\s*?<p class="star">\s*?(.*?)\s*?<\/p>(?:\s.*?)*releasetime">(.*?)<\/p>(?:\s.*?)*integer">(.*?)<\/i>.*?fraction">(.*?)<\/i>/g
// 主要是有一个疑问，下面这段代码主要是判断文件存不存在，如果不存在的话抛异常再写入文件，但是总感觉这种处理方式有问题，希望能找到更合理的方法
    try {
      fs.accessSync(file_path)
      console.warning('Already Downloaded', file_path)
    } catch (error) {
      response.data.pipe(fs.createWriteStream(file_path))
    }

  • [x] 7.4 淘宝商品

    这里主要介绍的就是
    puppeteer是 Google Chrome 团队官方的无界面（Headless）Chrome 工具, 通过puppeteer我们很容易的模拟用户的操作

  • [x] 8 图片验证码识别

    这里主要注意的就是node-tesseract库和gm,由于之前一开始用的是tesseract.js库，一直报错可以看下这两个问题
    issues1和
    issues2，后来改成node-tesseract就好了，我感觉也是因为墙的原因吧或者是配置的问题

// 可能把路径指向本地就好了，具体的没测试，后面再找找问题看
window.Tesseract = Tesseract.create({
    workerPath: '/path/to/worker.js',
    langPath: 'https://cdn.rawgit.com/naptha/tessdata/gh-pages/3.02/',
    corePath: 'https://cdn.rawgit.com/naptha/tesseract.js-core/0.1.0/index.js',
})

后面还会更新其他的爬虫demo,希望本文对你有帮助github地址

    原文作者：2ming
    原文地址: https://segmentfault.com/a/1190000015210088
    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