有哪位大神分享下 Node Crawler 抓取动态网页的实例。
发布于 7 年前 作者 Jackzhangpan 6465 次浏览 来自 问答

node初级学,不知道怎么用node爬取动态网页?有没有哪位大神分享下实例?

10 回复

抓取动态内容无非就是构造请求,你可以参考我的这个例子, ,虽然内容不是动态的,但关联页面的id是动态获取的,道理一样。

http://www.nightmarejs.org/

yield Nightmare()
  .goto('http://yahoo.com')
  .type('input[title="Search"]', 'github nightmare')
  .click('.searchsubmit');

正好以前分析某网站营收情况时用过,因为那边没有做反爬,url什么的打了点马赛克。 其实用起来非常简单的,就是 new Crawler({…}); 选项里传递 callback 处理 result, 然后 c.queue(url); 就行了。

var sqlite3 = require('sqlite3').verbose();
var Crawler = require("crawler");
var url = require('url');

var db = initDB();
var c = new Crawler({
    maxConnections: 2,
    rateLimit: 2000,
    skipDuplicates: true,
    timeout:5000,
    callback: function(err, result, done){
        // result is node http.IncomingMessage
        if (err){
            console.log(err);
        } else {
            handleResult(result, done);
            console.log(result.request.uri.href);
            done();
        }
    }
});

for ( var i = 1; i <=11; i++ )
    c.queue('http://www.some.com/list/c'+i+'/');

c.on('drain',function(){
    dumpDB();
    closeDB();
    console.log("finished.");
});

function initDB() {
    var db = new sqlite3.Database('some_table.sqlite');
    var store;
    db.serialize(function() {
        db.run('CREATE TABLE IF NOT EXISTS some_table  \
         ( url TEXT UNIQUE, c1     TEXT, c2       TEXT, t1   TEXT, \
           p1  TEXT,        l1     TEXT, v1       INT,  t2   TEXT, \
           s1   INT,        i1     TEXT, r1       INT,  r2   TEXT, r3 TEXT)',
        function (err) {
            if ( err ) { 
                console.log(err);
            } else {
                console.log("table created");
            }
        })
        store = {
                    db : db, 
            stmtCourse : db.prepare("INSERT INTO some_table VALUES \
                                    (?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?)"),
                                  // 1  2  3  4  5  6  7  8  9  10 11 12 13
            saveCourse : function save(r){ 
                this.stmtCourse.run(
                        r.url,   r.c1,  r.c2,   r.t1,
                        r.p1,    r.l1,  r.v1,   r.t2,
                        r.s1,    r.i1,  r.r1,   r.r2, r.r3.toString(),
                        (err) => { if ( err ) console.log('ignore '+r.url, err) }
                        );
            }
        }
    });
    return store;
}

function closeDB() {
  db.stmtCourse.finalize();
  db.db.close();
}

function dumpDB() {
    db.db.each("SELECT url, t1, s1 FROM some_table", function(err, row) {
      console.log(row);
  });
}

function dumpRecord(r){
    console.log(
            r.url,   r.c1,  r.c2, r.t1,
            r.p1,    r.l1,  r.v1, r.t2,
            r.s1,    r.i1,  r.r1, r.r2, r.r3);
}

function handleResult(res, done){
    var $ = res.$;
    console.log("category: " + $("title").text() + " at " + res.request.uri.href);
    processCategoryPage(res, $);
}

function processCategoryPage(res, $, done) {
    // cat 1~11 是顶层,cat12+ 是二级分类,/?catetagid=n 则是二级类下的属性标签
    processNextPage(res, $)
    processCate(res, $)
}

function processNextPage(res, $) {
    // 取下一页 $("a.next")[0].href 待抓取分析
    var next = $("a.next").attr('href');
    if ( next ) {
        console.log('page:'+next);
        c.queue("http://www.some.com"+next);
    }
}

function processCate(res, $) {
    $(".cate_tit").map( function (idx,item) {
        c.queue([{
            uri: "http://www.some.com"+item.attribs.href,
            // The global callback won't be called
            callback: function (error, res, done) {
                if(error){
                    console.log(error);
                }else{
                    // savePage4Debug(res);
                    try {
                        processCourseDetails(res);
                    }catch(e){
                        console.log("error in course detail!", e);
                    }
                }
                done();
            }
        }])
    });
}

function savePage4Debug(res) {
    var fs = require('fs');
    var fname = res.request.uri.href.replace(/[:_/.]/g, '_');
    fs.writeFileSync(fname, res.body, 'utf8', null);
}

function processCourseDetails(res) {
     var $ = res.$;
     var c = $(".nav-link").map((idx,item)=>($(item).text().trim()));
     var t1 = $('.title-txt').text().trim();
     var t2Url = $('.a-info>.pic-box>a').attr('href');
     var t2 = $('.a-info>.cell>a').text().trim();
     var p1 = $('#details-topfixed .price-num').text().trim();
     if ( p1.startsWith('¥') )
       p1 = p1.substring(1).trim();
     var l1Node = $('.difficullty')[0];
     var l1 = 'N/A';
     if (l1Node && l1Node.childNodes[0])
       l1 = l1.childNodes[0].nodeValue.trim();
     else
       console.log("no l1 info: " + res.request.uri.href);

     var s1CountText = $('.counter-st>.counter-num').text().trim();
     var s1 = Number.parseFloat(s1CountText);
     if (s1CountText.endsWith('万')) {
         s1 = s1 * 10000;
     }
         
     var r1 = Number.parseInt($('#courseEval .section-title-num').text().trim().substring(1));
     var courseIntro = $('#sectionIntro #hideSummary').attr('value');
     var v1 = Number.parseInt( $('.tit-outline-num').text().trim().substring(1) );
     var r2 = $('.star-txt').text().trim();
     var r3 = [];//学习收获、互动氛围、授课老师、课程内容
     $('.evaluate-score').map((idx,s)=>{ rate_parts[idx]=$(s).text()})
     db.saveCourse({
         url: res.request.uri.href,
         t2: t2+ '('+t2Url+')',
         c1: c[1], c2: c[2], // [0]=首页,catetag在详情页貌似取不到,分析需要时再想办法
         t1:t1, p1:p1, l1:l1, v1:v1,
         s1:s1,  i1:c1,
         r1:r1, r2:r2, r3:r3
     });
}

@tower1229 @atian25 ok谢谢,我现在先看了一下 网络爬虫与数据库操作,然后去理解两位大神的。

@i5ting 请问一下,利用node-crawler爬虫时,如何利用爬下来的第一层数据进入到下一层

@zhoujinhai 数据缓存起来,遍历不就可以了么

@i5ting 不好意思啊,又来问了,第二层我的会报错。 error: CRAWLER Error Error: ETIMEDOUT when fetching https://www.youtube.com/playlist?list=PL3ZQ5CpNulQk8-p0CWo9ufI81IdrGoyNZ

function video(categoryList){ console.log(categoryList) c.queue([{ uri: categoryList, forceUTF8:true, // The global callback won’t be called callback: function (error, res, done) { var $ = res.$; var s = $(’#pl-header’).text(); console.log(s); done(); }

}]); };

var catelist = ‘https://www.youtube.com/playlist?list=PL3ZQ5CpNulQk8-p0CWo9ufI81IdrGoyNZ’; video(catelist);

回到顶部