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get
、post
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
1 2 3 4 5 6 7 8 9 10
| superagent.post(url) .set(headers) .set('Cookie', cookie) .type('form') .send({ }) .end(function(err, res) { })
|
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
1 2 3 4 5 6 7 8
| superagent.get(url) .set(headers) .charset('gbk') .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)
1 2 3 4 5 6 7 8 9 10
| var superagent = require('superagent'); require('./superagent-retry')(superagent); superagent.get(url) .set(headers_visit) .retry(2) .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~
1 2 3 4 5 6 7 8 9 10 11
| superagent.get(url) .set(headers) .end(function(err, res) { if (err) { return console.err(err); } $ = cheerio.load(res.text); })
|
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
1 2 3 4 5 6 7 8 9 10 11 12 13
| var fs = require('fs'); fs.readFile('input.txt', function (err, data) { if (err) { return console.error(err); } }); 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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
| 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
当你用utf-8写入csv后,用excel直接打开是会乱码的,你可以先用记事本打开另存为ANSI编码格式,再打开就正常显示了
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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
| for (var i = 1; i <= 900000; i++) { urlArr.push(i); } async.eachLimit(urlArr, 6, function(item, callback) { spider(item, callback); }, 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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
| var ssh2sync = require('ssh2sync'); var root_local = ... ; var root_remote = ...; var force = true; ssh2sync.upload(root_local, root_remote, force, { host: ... remote host name ..., port: 22, username: ... user name ..., privateKey: require('fs').readFileSync('/path/to/users/.ssh/id_dsa') });
|
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
可自由转载、引用,但需署名作者且注明文章出处。