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
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
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
})
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);
}
})
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
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: cnodejs.org/topic/5203a…
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);
}
});
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
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
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
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,github.com/alsotang/as…
其他模块
这些模块就有些针对爬虫特定需求的
这是验证码识别相关的
- 可以看我的文章bupt-hjm.github.io/2016/05/29/…
- 还有这位前辈写的think2011.net/2016/01/31/…
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
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。