精华 博客爬虫技术分享(9.26日更新书籍爬取实例)
发布于 10 年前 作者 yessirpopesama 17270 次浏览 最后一次编辑是 8 年前 来自 分享

前略

最近扑在nodejs上学习研究,尝试各种有趣的功(姿)能(势),根本停不下来。前些天偶听同事谈起爬虫,有感,顺道上网查了些资料,编(改)写了几个nodejs版的爬虫程序作为demo,与大家分享,欢迎拍砖。 (9.21日更新) 新增在线阅读爬虫demo (9.26日更新) 重构novelspider代码结构,增加策略选择机制,针对不同网站选择不同的爬虫策略,强化代码健壮性。

准备

1 几个依赖库: request : https://github.com/mikeal/request 非常实用的客户端模块 cheerio : https://github.com/cheeriojs/cheerio 服务器端能jQurey核心的实现 iconv-lite: https://github.com/ashtuchkin/iconv-lite 实现编码转换模块,比较常用的功能是buffer二进制流转string bufferhelper: https://github.com/ashtuchkin/iconv-lite 一个buffer的加强类模块 promise: 实现Promise异步回调后操作功能模块 2 了解正则表达式

demo思路

爬虫思想即为抓取我们所需要的目标元素内的信息。 示例demo博客爬虫程序以抓取新浪博客列表为目的,将抓取的博客列表内容存储到本地文件夹中。代码中,配置引入url,程序分两块,一块为数据抓取, 一块为文件读写。程序可判断哪些文章是推荐文章。 示例demo书籍爬虫程序以抓取我们想看的小说为目的,方法基本与博客的那个基本一致。唯一需要注意的是编码问题,有不少的网站编码是gb2312,如果按照之前的做法的话爬下来的是乱码。为解决这个问题,采用获取buffer流,转成gbk编码的字符串,再通过cheerio实现获取书籍内容。

博客爬虫实现代码

var request = require('request');
var cheerio = require('cheerio');
var fs = require('fs');
var config = require('./config');

function writeIntoFile(data) {
  fs.writeFile('output.txt', data, function(err) {
	if (err) return err.stack;
	console.log('File write done!');
  });
}

function BlogSpider(url, callback) {
  //使用request模块进行爬虫
  request(url, function(err, res) {
	if (err) return err.stack;
	var $ = cheerio.load(res.body.toString());

	var articleList = [];
	$('.articleList .articleCell').each(function() {
	  var $me = $(this);
	  var $title = $me.find('.atc_title a');
	  var $time = $me.find('.atc_tm');

	  var item = {
		title: $title.text().trim(),
		url: $title.attr('href'),
		time: $time.text().trim()
	  }

	  // 如果推荐图标存在
	  var $img = $me.find('.atc_main .atc_ic_f img');
	  item.hasRecommand = $img.hasClass('SG_icon');

	  // 删选link
	  var s = item.url.match(/blog_([a-zA-Z0-9]+)\.html/);
	  if (Array.isArray(s)) {
		item.id = s[1];
		articleList.push(item);
	  }
	});

	var nextUrl = $('.SG_pgnext a').attr('href');
	if (nextUrl) {
	  BlogSpider(nextUrl, function(err, articleList2) {
		if (err) return callback(err);
		callback(null, articleList.concat(articleList2));
	  });
	} else {
	  callback(null, articleList);
	}
  });
}

BlogSpider(config.url, function(err, articleList) {
  if (err) return console.error(err.stack);
  var listContents = '';
  articleList.map(function(article) {
	//判断是否为新浪推荐文章
	if (article.hasRecommand) {
	  listContents += '荐 ';
	}
	listContents += '发表文章:' + article.title + ' 发表时间: ' + article.time + '\n';
  });
  writeIntoFile(listContents);
});

书籍爬虫实现代码

Spider.js
/**
 * [@author](/user/author) lsy
 * NovelSpider的程序入口
 */
var spider = require('./NovelSpider');
var targetName = 'qidian';
spider.createSpiderServer(targetName);
NovelSpider.js
/**
 * NovelSpider的爬虫模块
 */
var http = require('http');
var config = require('./Config');
var strategy = require('./SpiderStrategy');
var fs = require('fs');
var iconv = require('iconv-lite');
var BufferHelper = require('bufferhelper');
var cheerio = require('cheerio');

/*
 * [@private](/user/private)
 * 写入我们所需要的文件
 */
function writeIntoFile(data) {
  fs.writeFile('output.txt', data, function(err) {
	if (err) return err.stack;
	console.log('File write done!');
  });
}

/**
 * [@private](/user/private)
 * 用于小说章节拼接,暂未完成
 */
function appendToFile(data) {
  fs.appendFile('output.txt', data, function(err) {
	if (err) return err.stack;
	console.log('File write done!');
  });
}

/**
 * [@private](/user/private)
 * 获取页面的正文内容
 */
function getWebsiteContent(buffer, objName) {
  //处理特殊编码
  var encoding = 'utf-8';
  if (objName === 'shubao') {
	encoding = 'GBK';
  }
  var contentStr = iconv.decode(buffer.toBuffer(), encoding);
  // 回调的方式获取策略结果
  strategy.findStrategy(contentStr, objName, function(content) {
	// 获取目标爬虫结果
	if (content) {
	  contentStr = content;
	  //写入文件
	  appendToFile(contentStr);
	} else {
	  console.log('Content spider failed!!!');
	}
  });
}

/**
 * [@private](/user/private)
 * 访问特定章节页面
 */
function visitURL(url, objName) {
  http.get(url, function(res) {
	var bufferHelper = new BufferHelper();
	res.on('data', function(chunk) {
	  bufferHelper.concat(chunk);
	});
	res.on('end', function() {
	  getWebsiteContent(bufferHelper, objName);
	});
  })
}

exports.createSpiderServer = function(targetName) {
  // 根据target点查看是否存在爬虫策略
  var findFlag = false;
  config.forEach(function(object) {
	var objName = object.targetName;
	if (objName === targetName) {
	  console.log('Spider Strategy ready');
	  findFlag = true;
	  visitURL(object.url, objName);
	}
  });
  //没有找到爬虫策略
  if (!findFlag) {
	console.log('Spider Strategy Not Found!!!! owo');
  }
}
SpiderStrategy.js
/**
 * 爬虫抓取的策略文件, 根据不同网站类型进行解析
 */
var cheerio = require('cheerio');
var http = require('http');
var BufferHelper = require('bufferhelper');
var iconv = require('iconv-lite');
var Promise = require('promise');

//书宝的抓取策略
function method_shubao(content) {
	var $ = cheerio.load(content);
	return $('#view_content_txt').text().trim();
}

//起点的抓取策略有些不同,需要解析web源代码中包含txt文件的url,再通过http访问获取里面的内容
function method_qidian(content) {
	var re, targetUrl, promise;

	promise = new Promise(function(resolve, reject) {
		try {
			re = /(http[s]?:\/\/.*?\.(txt))/gi;
			targetUrl = content.match(re).toString().trim();
			console.log('txt url : '+ targetUrl);
			// Get 访问
			http.get(targetUrl, function(res) {
				var bufferHelper = new BufferHelper();
				res.on('data', function(chunk) {
					bufferHelper.concat(chunk);
				});
				res.on('end', function() {
					var finalContent = iconv.decode(bufferHelper.toBuffer(), 'gb2312');
					console.log(finalContent);
					resolve(finalContent);
				});
			});
		} catch (e) {
			console.log('http get error!');
			reject();
		}
	});

	return promise;
}

exports.findStrategy = function(content, targetName, callback) {
	if (targetName === 'shubao') {
		callback(method_shubao(content));
	}
	if (targetName === 'qidian') {
		method_qidian(content).then(function(finalContent){
			callback(finalContent);
		})
	}
}
Config.js
	module.exports = [{
		url: 'http://free.qidian.com/Free/ReadChapter.aspx?bookId=2493293&chapterId=41916349',
		targetName: 'qidian'
		}, {
		url: 'http://www.bookbao.com/view/201208/09/id_XMjg0NTE3.html',
		targetName: 'shubao'
	}]

小结

9月21日完成了书籍爬虫demo程序,甚是高兴,希望能帮到大家。 9月26日完成程序更新,采用策略模式进行对应网站爬取,增加promise异步回调方法。 未完成内容:多页面抓取 PS: 1 代码在别的程序上改进的,不要在意这些细节~.~ 2 我只是随意找了个书籍网站,不要吐槽内容owo 2 第一次发帖 请多关照~

###参考文献 1 http://cnodejs.org/topic/5034b141f767cc9a51baf9b0 2 nodejs实战

20 回复

其实很多人 node 入门也都是爬虫,对有收集癖的人来说挺好的。

比如说这里就是汉纸们的福利。

@xadillax 我最大的爱好也是写爬虫。。。前几天看一个黄网不错,爬了整站 20G 的图片下来

@xadillax lofter没有反爬机制的?

@alsotang 公众场合,收敛点 0. 0

看到精华有些受宠若惊,感谢大家支持~

@xadillax 多谢大神分享,我在写这个也有这个想法,一个命令把图片抓下来,没想到有实现的了。

@alsotang 好人一生平安

@xadillax 到处都能看到你。

前阵才写了一个下小说的(本人不看小说),那个站居然还不防爬虫,太爽了。

@coolicer 圈子本来就很小😂

哪个站防爬虫,我想挑战一下,还没遇见过爬不到的。

@alsotang 好人,求分享。。。

更新了书籍爬虫部分

9.26更新~~

回到顶部