百度爬虫这个词语,一般出现的都是python相关的资料。
py也有很多爬虫框架,比如scrapy,Portia,Crawley等。
之前我个人更喜欢用C#做爬虫。
随着对nodejs的熟悉。发现做这种事情还是用脚本语言适合多了,至少不用写那么多的实体类。而且脚本一般使用比较简单。
在github上搜索node+spider,排名第一的就是node-crawler
github:github.com/bda-researc…
简单使用
npm 安装:
npm install crawler
new一个crawler对象
var c = new Crawler({
// 在每个请求处理完毕后将调用此回调函数
callback : function (error, res, done) {
if(error){
console.log(error);
}else{
var $ = res.$;
// $ 默认为 Cheerio 解析器
// 它是核心jQuery的精简实现,可以按照jQuery选择器语法快速提取DOM元素
console.log($("title").text());
}
done();
}
});
然后往crawler队列里面不停的加url就行了,
// 将一个URL加入请求队列,并使用默认回调函数
c.queue('http://www.amazon.com');
// 将多个URL加入请求队列
c.queue(['http://www.google.com/','http://www.yahoo.com']);
控制并发速度
爬虫框架一般都是同时去爬多个页面,但是速度过快会触发目标网站的反爬虫机制,也同时影响别人网站的性能。
控制最大的并发数量
var c = new Crawler({
// 最大并发数默认为10
maxConnections : 1,
callback : function (error, res, done) {
if(error){
console.log(error);
}else{
var $ = res.$;
console.log($("title").text());
}
done();
}
});
使用慢速模式
使用参数 rateLimit
启用慢速模式,两次请求之间会闲置 rateLimit
毫秒,而 maxConnections
将被强行修改为 1 。
var c = new Crawler({
// `maxConnections` 将被强制修改为 1
maxConnections : 10,
// 两次请求之间将闲置1000ms
rateLimit: 1000,
callback : function (error, res, done) {
if(error){
console.log(error);
}else{
var $ = res.$;
console.log($("title").text());
}
done();
}
});
下载图片等静态文件
var c = new Crawler({
encoding:null,
jQuery:false,// set false to suppress warning message.
callback:function(err, res, done){
if(err){
console.error(err.stack);
}else{
fs.createWriteStream(res.options.filename).write(res.body);
}
done();
}
});
c.queue({
uri:"https://nodejs.org/static/images/logos/nodejs-1920x1200.png",
filename:"nodejs-1920x1200.png"
});