背景
公司主營業(yè)務：成都網(wǎng)站制作、網(wǎng)站設計、移動網(wǎng)站開發(fā)等業(yè)務。幫助企業(yè)客戶真正實現(xiàn)互聯(lián)網(wǎng)宣傳，提高企業(yè)的競爭能力。創(chuàng)新互聯(lián)建站是一支青春激揚、勤奮敬業(yè)、活力青春激揚、勤奮敬業(yè)、活力澎湃、和諧高效的團隊。公司秉承以“開放、自由、嚴謹、自律”為核心的企業(yè)文化，感謝他們對我們的高要求，感謝他們從不同領域給我們帶來的挑戰(zhàn)，讓我們激情的團隊有機會用頭腦與智慧不斷的給客戶帶來驚喜。創(chuàng)新互聯(lián)建站推出靈璧免費做網(wǎng)站回饋大家。
最近打算把之前看過的nodeJs相關的內(nèi)容在復習下，順便寫幾個爬蟲來打發(fā)無聊，在爬的過程中發(fā)現(xiàn)一些問題，記錄下以便備忘。
依賴
用到的是在網(wǎng)上爛大街的cheerio庫來處理爬取的內(nèi)容，使用superagent處理請求，log4js來記錄日志。
日志配置
話不多說，直接上代碼：
重慶分公司
重慶分公司
const log4js = require('log4js');
log4js.configure({
appenders: {
cheese: {
type: 'dateFile',
filename: 'cheese.log',
pattern: '-yyyy-MM-dd.log',
// 包含模型
alwaysIncludePattern: true,
maxLogSize: 1024,
backups: 3 }
},
categories: { default: { appenders: ['cheese'], level: 'info' } }
});
const logger = log4js.getLogger('cheese');
logger.level = 'INFO';
module.exports = logger;
以上直接導出一個logger對象，在業(yè)務文件里直接調(diào)用logger.info()等函數(shù)添加日志信息就可以，會按天生成日志。相關信息網(wǎng)絡上一堆。
爬取內(nèi)容并處理
superagent.get(cityItemUrl).end((err, res) => {
if (err) {
return console.error(err);
}
const $ = cheerio.load(res.text);
// 解析當前頁面,獲取當前頁面的城市鏈接地址
const cityInfoEle = $('.newslist1 li a');
cityInfoEle.each((idx, element) => {
const $element = $(element);
const sceneURL = $element.attr('href'); // 頁面地址
const sceneName = $element.attr('title'); // 城市名稱
if (!sceneName) {
return;
}
logger.info(`當前解析到的目的地是: ${sceneName}, 對應的地址為: ${sceneURL}`);
getDesInfos(sceneURL, sceneName); // 獲取城市詳細信息
ep.after('getDirInfoComplete', cityInfoEle.length, (dirInfos) => {
const content = JSON.parse(fs.readFileSync(path.join(__dirname, './imgs.json')));
dirInfos.forEach((element) => {
logger.info(`本條數(shù)據(jù)為:${JSON.stringify(element)}`);
Object.assign(content, element);
});
fs.writeFileSync(path.join(__dirname, './imgs.json'), JSON.stringify(content));
});
});
});使用superagent請求頁面，請求成功后使用cheerio 來加載頁面內(nèi)容，然后使用類似Jquery的匹配規(guī)則來查找目的資源。
多個資源加載完成，使用eventproxy來代理事件，處理一次資源處罰一次事件，所有事件觸發(fā)完成后處理數(shù)據(jù)。
以上就是最基本的爬蟲了，接下來就是一些可能會出問題或者需要特別注意的地方了。。。
讀寫本地文件
創(chuàng)建文件夾
function mkdirSync(dirname) {
if (fs.existsSync(dirname)) {
return true;
}
if (mkdirSync(path.dirname(dirname))) {
fs.mkdirSync(dirname);
return true;
}
return false;
}
讀寫文件
const content = JSON.parse(fs.readFileSync(path.join(__dirname, './dir.json')));
dirInfos.forEach((element) => {
logger.info(`本條數(shù)據(jù)為:${JSON.stringify(element)}`);
Object.assign(content, element);
});
fs.writeFileSync(path.join(__dirname, './dir.json'), JSON.stringify(content));批量下載資源
下載資源可能包括圖片、音頻等等。
使用Bagpipe處理異步并發(fā) 參考
const Bagpipe = require('bagpipe');
const bagpipe = new Bagpipe(10);
bagpipe.push(downloadImage, url, dstpath, (err, data) => {
if (err) {
console.log(err);
return;
}
console.log(`[${dstpath}]: ${data}`);
});下載資源，使用stream來完成文件寫入。
function downloadImage(src, dest, callback) {
request.head(src, (err, res, body) => {
if (src && src.indexOf('http') > -1 || src.indexOf('https') > -1) {
request(src).pipe(fs.createWriteStream(dest)).on('close', () => {
callback(null, dest);
});
}
});
}編碼
有時候直接使用 cheerio.load處理的網(wǎng)頁內(nèi)容，寫入文件后發(fā)現(xiàn)是編碼后的文字，可以通過
const $ = cheerio.load(buf, { decodeEntities: false });來禁止編碼，
ps: encoding庫和iconv-lite未能實現(xiàn)將utf-8編碼的字符轉換為中文，可能是還對API不熟悉，稍后可以關注下。
最后，附上一個匹配所有dom標簽的正則
const reg = /<.*?>/g;
