码迷,mamicode.com
首页 > Web开发 > 详细

使用node爬虫,爬取指定排名网站的JS引用库

时间:2020-01-20 20:50:53      阅读:71      评论:0      收藏:0      [点我收藏+]

标签:链接   new   选中   关于   回调   后端   exe   current   art   

前期准备

本爬虫将从网站爬取排名前几的网站,具体前几名可以具体设置,并分别爬取他们的主页,检查是否引用特定库。

github地址

所用到的node主要模块

  • express 不用多说

  • request http模块

  • cheerio 运行在服务器端的jQuery

  • node-inspector node调试模块

  • node-dev 修改文件后自动重启app

关于调试Node

在任意一个文件夹,执行node-inspector,通过打开特定页面,在页面上进行调试,然后运行app,使用node-dev app.js来自动重启应用。

所碰到的问题

1. request请求多个页面

  1. 由于请求是异步执行的,和分别返回3个页面的数据,这里只爬取了50个网站,一个页面有20个,所以有3页,通过循环里套request请求,来实现。

  2. 通过添加请求头可以实现基本的反爬虫

  3. 处理数据的方法都写在analyData()里面,造成后面的数据重复存储了,想了很久,才想到一个解决方法,后面会写到是怎么解决的。

for (var i = 1; i < len+1; i++) {
    (function(i){
      var options = {
        url: ‘http://www.alexa.cn/siterank/‘ + i,
        headers: {
          ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36‘
        }
      };
      request(options, function (err, response, body) {
          analyData(body,rank);
      })
    })(i)
  }

2. 多层回调

仔细观察代码,你会发现,处理数据的方法使用了如下的多层回调,也可以不使用回调,写在一个函数内部;因为,每层都要使用上一层的数据,造成了这样的写法。

function f1(data1){
    f2(data1);
}


function f2(data2){
    f3(data2);
}


function f3(data3){
    f4(data4);
}

3. 正则获取JS库

由于获取页面库,首先需要获取到script的src属性,然后通过正则来实现字符串匹配。

<script src="https://ss0.bdstatic.com/5aV1bjqh_Q23odCf/static/superman/js/lib/jquery-1.10.2_d88366fd.js"></script>

获取到的script可能是上面这样的,由于库名的命名真是各种各样,后来想了一下,因为文件名是用.js结尾的,所以就以点号为结尾,然后把点号之前的字符截取下来,这样获得了库名,代码如下。


var reg = /[^\/\\]+$/g;
var libName = jsLink.match(reg).join(‘‘);
var libFilter = libName.slice(0,libName.indexOf(‘.‘));

4.cheerio模块获取JS引用链接

这部分也花了一点时间,才搞定,cheerio获取DOM的方法和jQuery是一样的,需要对返回的DOM对象进行查看,就可以看到对象里隐藏好深的href属性,方法大同小异,你也可以使用其他选择器,选择到script标签


var $ = cheerio.load(body);
var scriptFile = $(‘script‘).toArray();


scriptFile.forEach(function(item,index){
    if (item.attribs.src != null) {
      obtainLibName(item.attribs.src,index);
}

5.存储数据到数据库

存储数据的逻辑是先获取所有的script信息,然后push到一个缓存数组,由于push后面,紧跟着存储到数据库的方法,这两个方法都写在循环里面的,例如爬取5个网站,每个网站存储一次,后面也会跟着存储,造成数据重复存储。解决方法是存储数据的一般逻辑是先查,再存,这个查比较重要,查询的方法也有多种,这里主要是根据库名来查找唯一的数据对象,使用findOne方法。注意,由于node.js是异步执行的,这里的闭包,每次只传一个i值进去,执行存储的操作。


// 将缓存数据存储到数据库
function store2db(libObj){
  console.log(libObj);
  for (var i = 0; i < libObj.length; i++) {
    (function(i){
      var jsLib = new JsLib({
          name: libObj[i].lib,
          libsNum: libObj[i].num
      });
      
      JsLib.findOne({‘name‘: libObj[i].lib},function(err,libDoc){
        if(err) console.log(err);
        // console.log(libDoc)
        if (!libDoc){
          jsLib.save(function(err,result){
            if(err) console.log(‘保存数据出错‘ + err);
          });
        }

      })
    })(i)
  }
  console.log(‘一共存储‘ + libObj.length + ‘条数据到数据库‘);
}

6.分页插件

本爬虫前端使用了bootstrap.paginator插件,主要是前台分页,返回数据,根据点击的页数,来显示对应的数据,后期考虑使用AJAX请求的方式来实现翻页的效果,这里的注意项,主要是最后一页的显示,最好前面做个判断,因为返回的数据,不一定刚好是页数的整数倍

function _paging(libObj) {
        var ele = $(‘#page‘);
        var pages = Math.ceil(libObj.length/20);
        console.log(‘总页数‘ + pages);
        ele.bootstrapPaginator({    
            currentPage: 1,    
            totalPages: pages,    
            size:"normal",    
            bootstrapMajorVersion: 3,    
            alignment:"left",    
            numberOfPages:pages,    
            itemTexts: function (type, page, current) {        
                switch (type) {            
                    case "first": return "首页";            
                    case "prev": return "上一页";            
                    case "next": return "下一页";            
                    case "last": return "末页";            
                    case "page": return page;
                }
            },
            onPageClicked:  function(event, originalEvent, type, page){
                // console.log(‘当前选中第:‘ + page + ‘页‘);
                var pHtml = ‘‘;
                var endPage;
                var startPage = (page-1) * 20;
                if (page < pages) {
                     endPage = page * 20;
                }else{
                     endPage = libObj.length;
                }
                for (var i = startPage; i < endPage; i++) {
                    pHtml += ‘<tr><td>‘;
                    pHtml += (i+1) + ‘</td><td>‘;
                    pHtml += libObj[i].name + ‘</td><td>‘;
                    pHtml += libObj[i].libsNum + ‘</td></tr>‘;
                }
                libShow.html(pHtml);
            }
        })
      }

完整代码

1. 前端


 
$(function () {
    var query = $(‘.query‘),
        rank = $(‘.rank‘),
        show = $(‘.show‘),
        queryLib = $(‘.queryLib‘),
        libShow = $(‘#libShow‘),
        libName = $(‘.libName‘),
        displayResult = $(‘.displayResult‘);

    var checkLib = (function(){

      function _query(){
        query.click(function(){
            $.post(
                ‘/query‘,
                {
                    rank: rank.val(),
                },
                function(data){
                    console.log(data);
                }
            )
        });
        queryLib.click(function(){
            var inputLibName = libName.val();
            if (inputLibName.length == 0) {
                alert(‘请输入库名~‘);
                return;
            }
            $.post(
                ‘/queryLib‘,
                {
                    libName: inputLibName,
                },
                function(data){
                    if(data.length == 0){
                        alert(‘没有查询到名为‘ + inputLibName + ‘的库‘);
                        libName.val(‘‘);
                        libName.focus();
                        libShow.html(‘‘)
                        return;
                    }
                    var libHtml = ‘‘;
                    for (var i = 0; i < data.length; i++) {
                        libHtml += ‘<tr><td>‘;
                        libHtml += (i+1) + ‘</td><td>‘;
                        libHtml += data[i].name + ‘</td><td>‘;
                        libHtml += data[i].libsNum + ‘</td></tr>‘;
                    }
                    libShow.html(libHtml);
                }
            )
        });
      }

      function _showLibs(){
        show.click(function(){
            $.get(
                ‘/getLibs‘,
                {
                    rank: rank.val(),
                },
                function(data){
                    console.log(‘一共返回‘+ data.length + ‘条数据‘);
                    console.log(data)
                    var libHtml = ‘‘;
                    for (var i = 0; i < 20; i++) {
                        libHtml += ‘<tr><td>‘;
                        libHtml += (i+1) + ‘</td><td>‘;
                        libHtml += data[i].name + ‘</td><td>‘;
                        libHtml += data[i].libsNum + ‘</td></tr>‘;
                    }
                    displayResult.show();
                    libShow.html(libHtml);// 点击显示按钮,显示前20项数据
                    _paging(data);
                }
            )
        });
      }

      //翻页器
      function _paging(libObj) {
        var ele = $(‘#page‘);
        var pages = Math.ceil(libObj.length/20);
        console.log(‘总页数‘ + pages);
        ele.bootstrapPaginator({    
            currentPage: 1,    
            totalPages: pages,    
            size:"normal",    
            bootstrapMajorVersion: 3,    
            alignment:"left",    
            numberOfPages:pages,    
            itemTexts: function (type, page, current) {        
                switch (type) {            
                    case "first": return "首页";            
                    case "prev": return "上一页";            
                    case "next": return "下一页";            
                    case "last": return "末页";            
                    case "page": return page;
                }
            },
            onPageClicked:  function(event, originalEvent, type, page){
                // console.log(‘当前选中第:‘ + page + ‘页‘);
                var pHtml = ‘‘;
                var endPage;
                var startPage = (page-1) * 20;
                if (page < pages) {
                     endPage = page * 20;
                }else{
                     endPage = libObj.length;
                }
                for (var i = startPage; i < endPage; i++) {
                    pHtml += ‘<tr><td>‘;
                    pHtml += (i+1) + ‘</td><td>‘;
                    pHtml += libObj[i].name + ‘</td><td>‘;
                    pHtml += libObj[i].libsNum + ‘</td></tr>‘;
                }
                libShow.html(pHtml);
            }
        })
      }

        function init() {
          _query();
         _showLibs();
        }

        return {
            init: init
        }

    })();

    checkLib.init();

})

2.后端路由

var express = require(‘express‘);
var mongoose = require(‘mongoose‘);
var request = require(‘request‘);
var cheerio =require(‘cheerio‘);
var router = express.Router();
var JsLib = require(‘../model/jsLib‘)

/* 显示主页 */
router.get(‘/‘, function(req, res, next) {
  res.render(‘index‘);
});

// 显示库
router.get(‘/getLibs‘,function(req,res,next){
  JsLib.find({})
  .sort({‘libsNum‘: -1})
  .exec(function(err,data){
    res.json(data);
  })
})

// 库的查询
router.post(‘/queryLib‘,function(req,res,next){
  var libName = req.body.libName;

  JsLib.find({
    name: libName
  }).exec(function(err,data){
    if (err) console.log(‘查询出现错误‘ + err);
    res.json(data);
  })
})

router.post(‘/query‘,function(req,res,next) {
  var rank = req.body.rank;
  var len = Math.round(rank/20);
  
  for (var i = 1; i < len+1; i++) {
    (function(i){
      var options = {
        url: ‘http://www.alexa.cn/siterank/‘ + i,
        headers: {
          ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36‘
        }
      };
      request(options, function (err, response, body) {
          analyData(body,rank);
      })
    })(i)
  }
  res.json(‘保存成功‘)
})
 
var sites = [];
var flag = 0;
function analyData(data,rank) {
    if(data.indexOf(‘html‘) == -1) return false;
    var $ = cheerio.load(data);// 传递 HTML
    var sitesArr = $(‘.info-wrap .domain-link a‘).toArray();//将所有a链接存为数组

    console.log(‘网站爬取中``‘)
    for (var i = 0; i < 10; i++) { // ***这里后面要改,默认爬取前10名
        var url = sitesArr[i].attribs.href;
        sites.push(url);//保存网址,添加wwww前缀
    }
    console.log(sites);
    console.log(‘一共爬取‘ + sites.length +‘个网站‘);
    console.log(‘存储数据中...‘)

    getScript(sites);
}


// 获取JS库文件地址
function getScript(urls) {
  var scriptArr = [];
  var src = [];
  var jsSrc = [];
  for (var j = 0; j < urls.length; j++) {
      (function(i,callback){
        var options = {
            url: urls[i],
            headers: {
              ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36‘
            }
          }

        request(options, function (err, res, body) {
          if(err) console.log(‘出现错误: ‘+err);
          var $ = cheerio.load(body);
          var scriptFile = $(‘script‘).toArray();
          callback(scriptFile,options.url);
        })
    })(j,storeLib)
  };

  function storeLib(scriptFile,url){
    flag++;// 是否存储数据的标志
    scriptFile.forEach(function(item,index){
      if (item.attribs.src != null) {
          obtainLibName(item.attribs.src,index);
      }
    })
  
      
    function obtainLibName(jsLink,i){
      var reg = /[^\/\\]+$/g;
      var libName = jsLink.match(reg).join(‘‘);
      var libFilter = libName.slice(0,libName.indexOf(‘.‘));

        src.push(libFilter);
    }

    // console.log(src.length);
    // console.log(calcNum(src).length)
    (function(len,urlLength,src){
      // console.log(‘length is ‘+ len)
      if (len == 10 ) {// len长度为url的长度才向src和数据库里存储数据,防止重复储存
        // calcNum(src);//存储数据到数据库 // ***这里后面要改,默认爬取前10名
        var libSrc = calcNum(src);
        store2db(libSrc);
      }
    })(flag,urls.length,src)
  } 
}// getScript END

// 将缓存数据存储到数据库
function store2db(libObj){
  console.log(libObj);
  for (var i = 0; i < libObj.length; i++) {
    (function(i){
      var jsLib = new JsLib({
          name: libObj[i].lib,
          libsNum: libObj[i].num
      });
      
      JsLib.findOne({‘name‘: libObj[i].lib},function(err,libDoc){
        if(err) console.log(err);
        // console.log(libDoc)
        if (!libDoc){
          jsLib.save(function(err,result){
            if(err) console.log(‘保存数据出错‘ + err);
          });
        }

      })
    })(i)
  }
  console.log(‘一共存储‘ + libObj.length + ‘条数据到数据库‘);
}
// JS库排序算法
function calcNum(arr){
    var libObj = {};
    var result = [];
    for (var i = 0, len = arr.length; i < len; i++) {
        
        if (libObj[arr[i]]) {
            libObj[arr[i]] ++;
        } else {
            libObj[arr[i]] = 1;
        }
    }
   
    for(var o in libObj){
        result.push({
            lib: o,
            num: libObj[o]
        })
    }

    result.sort(function(a,b){
        return b.num - a.num;
    });

    return result;
}


module.exports = router;

后记

通过这个小爬虫,学习到很多知识,例如爬虫的反爬虫有哪些策越,意识到node.js的异步执行特性,前后端是怎么进行交互的。同时,也意识到有一些方面的不足,后面还需要继续改进,欢迎大家的相互交流。

使用node爬虫,爬取指定排名网站的JS引用库

标签:链接   new   选中   关于   回调   后端   exe   current   art   

原文地址:https://www.cnblogs.com/homehtml/p/12219113.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!