node爬虫实践总结

网络爬虫（又被称为网页蜘蛛，网络机器人，在 FOAF 社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

随着web2.0时代的到来，数据的价值愈发体现出来。无论是在目前火热的人工智能方向，还是在产品侧的用户需求分析，都需要获取到大量的数据，而网络爬虫作为一种技术手段，在不违反主体网站基本要求的情况下是获取数据成本最低的手段。与此同时，爬虫技术也飞速发展。

了解爬虫，首先要了解一个君子协议。

robot.txt协议

该协议是搜索引擎从业者和网站站长通过邮件讨论定下的，有几个重要的特点：

robot.txt协议是蜘蛛访问网站的开关，决定蜘蛛可以抓取哪些内容，不可以抓取哪些内容。
robot.txt是指网站与搜索引擎之间的协议
存放在网站根目录网站服务器的根目录下

nodejs爬虫

一提到爬虫，我们可能很容易联想到python，python由于其语法容易上手，操作数据简洁方便成为爬虫界的龙头，scrapy框架更是只用简单配置，按照其语法规范就能够轻松获取到网站内容。但是作为前端开发，获取数据就不可能了吗？当然不是，随着nodejs的出现，npm社区的火热，nodejs所提供的功能日渐强大，由于nodejs单线程支持高并发的特性，我们不必要将注意力过多放在线程之间的同步与通信，在加上JavaScript本身与html之间的紧密联系，使用nodejs进行网络爬虫也是很好的实践。

node爬虫工具

俗话说工欲善其事必先利其器，爬虫从根上说就是四个模块，网页下载器、网页解析器、URL调度器、内容输出器。

npm社区中为我们提供了很多有用的模块，接下来分别介绍下网络请求模块、解析模块以及流程处理模块。

网络请求模块

SuperAgent 是一个轻量级、灵活的、易读的、低学习曲线的客户端请求代理模块，其使用极其简单，支持链式调用，可以很容易就封装成Promise或者async函数。

async function getOuterUrls(url) {
    return new Promise((resolve, reject) => {
        superagent.get(url)
        .end((err, docs) => {
            if(err) {
                return reject(err);
            }
            // 成功解析
            resolve(items);
        })
    })
}

request的使用也非常简单，request的设计是让http请求变得容易。

const request = require('request');
request('您的请求url', function (error, response, body) {
  if (!error && response.statusCode == 200) {
    console.log(body) // 请求成功的处理逻辑
  }
});

那么两者有什么区别呢，从npm社区中的统计量可以看出，request的周下载量有千万级，而superagent也有百万。superagent特别适合刚学爬虫的新手操作，请求中需要发送的参数以及请求头通过set直接设置。作者认为Request最强大的功能在于其CookieJar的功能，它能够保存每一次请求的cookie，让我们的请求和在浏览器中点击一样，我们甚至不用去设置每一次的cookie，他会根据请求的主机域从jar中自动匹配与实时更新。

const cookieColl = Request.jar();
const request = Request.defaults({jar: cookieColl});

资源解析模块

cheerio

我们都知道大名鼎鼎的jquery，它提供了便捷轻量的dom操作语法。而cheerio是nodejs中的jQuery，上手方便，相比于xml解析的xpath简直好用一万倍。如果你熟悉jQuery，那么cheerio就能很容易玩转。

let $ = cheerio.load(docs.text);
   let items = [];
   $('#topic_list .topic_title').each((index, ele) => {
       let element = $(ele);
       items.push(Url.resolve(baseUrl, element.attr('href')))
   })

jsdom

JSDOM的目标是提供与浏览器一样的DOM环境

const jsdom = require("jsdom");
const { JSDOM } = jsdom;
const dom = new JSDOM(`<!DOCTYPE html><p>Hello world</p>`);
console.log(dom.window.document.querySelector("p").textContent); // "Hello world"

jsdom相比于cheerio解析速度会稍慢，但是从npm社区的下载量来说，jsdom是cheerio的两倍，jsdom提供了其他丰富的功能，后续有待继续挖掘。

原文 http://imweb.io/topic/5d230c6df7b5692b080f2668

链接: https://www.fly63.com/article/detial/4114