nodejs 爬虫相关模块小整合

本文总浏览量次 用node爬虫也有一段时间了,最近也帮好友爬了XX网的10万+的数据,这个月还没有写博客,就来写写自己爬虫的经验以及自己

本文总浏览量次

用node爬虫也有一段时间了,最近也帮好友爬了XX网的10万+的数据,这个月还没有写博客,就来写写自己爬虫的经验以及自己常用的一些模块/库吧~

爬虫关键步骤都围绕在于 请求获取数据处理数据 ,当然还有应对一些反爬虫的策略,比如伪造headers,ip代理等等,下文就主要围绕nodejs我常用的模块和经验谈起

请求和获取数据模块

superagent

名字就叫做超级代理,是一个非常实用的http请求模块,常用于 getpost 等请求,对于nodejs爬虫我主要就用它来实现请求操作,还有一些表单post操作,模拟ajax请求等,z支持链式调用

superagent.post(url) .set(headers) //设置请求头 .set('Cookie', cookie) // 设置cookie .type('form') .send({ //表单数据 }) .end(function(err, res) { //数据与错误处理})

中文文档: https://cnodejs.org/topic/5378720ed6e2d16149fa16bd

superagent-charset

这个是上面那个模块的拓展,因为 superagent 只支持 UTF-8 ,用了这个库可以指定编码,当你用 superagent 爬出乱码时可以使用它

superagent.get(url) .set(headers) .charset('gbk') //指定编码 .end(function(err, res) { if (err) { return console.err(err); } })

superagent-retry

当你遇到以下错误的时候,可以使用它,之前我用了它确实错误问题就解决了

  • ECONNRESET
  • ECONNREFUSED
  • ETIMEDOUT
  • EADDRINFO
  • ESOCKETTIMEDOUT
  • superagent client timeouts
  • bad gateway errors (502, 503, 504 statuses)
  • Internal Server Error (500 status)
var superagent = require('superagent');require('./superagent-retry')(superagent);superagent.get(url) .set(headers_visit) .retry(2) //在响应前请求两次 .end(function(err, res) { if (err) { return console.err(err); } })

处理数据模块

cheerio

这是一个非常好用的处理模块,是jQuery的子集,可以使用大量jQuery的语法来获取你爬虫请求到的数据,用正则真是太不友好~

superagent.get(url) .set(headers) .end(function(err, res) { if (err) { return console.err(err); } $ = cheerio.load(res.text); // $(".XXX")选中class // $("#XXX")选中id // ... })

中文文档: https://cnodejs.org/topic/5203a71844e76d216a727d2e

fs

它虽然是一个模块,但并不需要从npm下载(npm里的那个就一句话 console.log("I'm fs modules"); ),是nodejs自带的文件系统模块,直接引入即可,提供了nodejs本地读写的能力,可以写入读取本地文件,我们爬虫如果不需要写入数据库,写入本地的话,就必须得用到它了

var fs = require('fs');// 读取文件fs.readFile('input.txt', function (err, data) { if (err) { return console.error(err); }});// 写入文件fs.writeFile('input.txt', 'XXX', function(err) { if (err) { return console.error(err); }});

中文教程: http://www.runoob.com/nodejs/nodejs-fs.html

excel相关

最近爬的数据需要爬入excel,然而fs模块并不能直接写入xlsx,就得用别的途径

node-xlsx

这个模块挺简单上手的,我只试过导出excel,也可以读取,觉得挺方便,具体其他可以直接看docs

var xlsx = require('node-xlsx');var fs = require('fs');var data = [ [1, 2, 3], [true, false, null, 'sheetjs'], ['foo', 'bar', new Date('2014-02-19T14:30Z'), '0.3'], ['baz', null, 'qux']];var buffer = xlsx.build([{ name: 'mySheet', data: data}]);fs.writeFile('test.xlsx', buffer, { 'flag': 'w+' }, function(err) { if (err) { return console.error(err); } console.log("写入成功"); });

tips:不过因为我爬取大量数据,如果一味放数组里也会让程序崩溃,但是我开启 a+ 这个fs的追加模式,发现写入有点问题,所以我最近采用了逗号分割csv的方式

csv

.csv后缀文件可以以纯文本存储表格数据,然后我直接用 fs 写入,用 , 来分割列,用 /n 来分割行就解决问题了,这个简单快捷

异步处理模块

这个我没去调研各个模块,,就只介绍我用过的

对于异步这在node爬虫中是必须去处理的,因为fs写入文件,superagent请求这些都是异步的,我们可以用 promise 来解决,当然es6出现了 generator 生成器解决回调,还有es7的 async/await 的异步解决方案,这里就暂且不说这些了,我就只介绍下我使用的 async 模块

async

这是一个异步流程控制模块,还可以在爬虫时控制并发数目,通常来说我们爬取一堆url有规律的数据,我通常构造一个数组然后使用它来解决异步

// 我这里对一个有规律的url+urlArr[i]进行爬取for (var i = 1; i <= 900000; i++) { urlArr.push(i);}// 这里是分6批执行,每一批并行,批之间按顺序async.eachLimit(urlArr, 6, function(item, callback) { spider(item, callback);//爬虫函数 // 用callback(null)代表完成 // 用callback('err')代表错误}, function(err) { if (err) { return console.log(err); } console.log("结束");});

这个模块就可以解决我的异步问题了,更多用法看这位作者写的,挺详细的, https://github.com/alsotang/async_demo

其他模块

这些模块就有些针对爬虫特定需求的

node-tesseract

这是验证码识别相关的

node-schedule

当我们的爬虫需要定时爬取的时候,它就可以发挥巨大作用啦

node-ssh2sync

之前我爬取教务系统,因为只能校园网访问,所以我就只能本地爬取上传服务器,这个不是npm下载的模块,直接从github下载,作为我简单的上传需求,它还是挺好用的

var ssh2sync = require('ssh2sync');var root_local = ... ; // Grab these from command line arguments?var root_remote = ...;var force = true;ssh2sync.upload(root_local, root_remote, force, { // debug: console.log, host: ... remote host name ..., port: 22, username: ... user name ..., privateKey: require('fs').readFileSync('/path/to/users/.ssh/id_dsa') // OR password: ... the password ..});

最后

谢谢阅读~

欢迎follow我哈哈 https://github.com/BUPT-HJM

欢迎继续观光我的博客~

欢迎关注

nodejs 爬虫相关模块小整合

可自由转载、引用,但需署名作者且注明文章出处。

未登录用户
全部评论0
到底啦