讲东 发表于 2023-8-11 07:24:36

js玩儿爬虫

前言

提到爬虫可能大多都会想到python,其实爬虫的实现并不限制任何语言。
下面我们就使用js来实现,后端为express,前端为vue3。
实现功能

话不多说,先看结果:
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215238699-2144310077.jpg
这是项目链接:https://gitee.com/xi1213/worm
项目用到的库有:vue、axios、cheerio、cron、express、node-dev
计划功能有:

[*]微博热榜爬取。
[*]知乎热榜爬取。
[*]B站排行榜爬取。
[*]三个壁纸网站爬取。
[*]随机生成人脸。
[*]爬取指定页面所有图片。
[*]删除爬取的数据。
[*]定时任务(开发中)。
使用形式为:
双击打包出的exe(最好右键管理员运行,以防权限不足)。
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215255752-767869660.png
双击exe后会弹出node后端启动的黑框。
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215331735-472596347.png
自动在浏览器中打开操作界面(用户界面)。
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215238699-2144310077.jpg
爬取出的数据在exe同级目录下的exportData中。
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215447261-426138725.png
具体实现

微博热榜

https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215458039-2144362980.png
打开微博官网,f12分析后台请求,会发现它的热榜数据列表在请求接口:https://weibo.com/ajax/side/hotSearch 中,无参。
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215514549-702363819.png
在接口列表realtime中根据页面信息,推测其字段含义:

[*]word为关键字,
[*]category为类别,
[*]https://s.weibo.com/weibo?q=%23 + word为链接,
[*]num为热度。
既然数据是现成的,那我们直接使用axios即可。
获取到数据列表后将其遍历拼接成指定格式的字符串,写入txt,下面是具体方法:
weibo.js
let axios = require('axios'),    writeTxt = require("../utils/writeTxt"),    { addMsg } = require("../store/index");//抓取weiboasync function weiboWorm(dir, time) {    let com = 'https://weibo.com';    addMsg(`${com} 爬取中...`)    let res = await axios.get(`${com}/ajax/side/hotSearch`);    //拼接数据    let strData = `微博热榜\r\n爬取时间:${time}\r\n`    await res.data.data.realtime.forEach((l, index) => {      strData = strData +            '\r\n序号:' + (index + 1) + '\r\n' +            '关键字:' + l.word + '\r\n' +            '类别:' + l.category + '\r\n' +            '链接:https://s.weibo.com/weibo?q=%23' + l.word.replace(/\s+/g, "") + '\r\n' +            '热度:' + l.num + '\r\n' +            '\r\n\r\n=================================================================================================================='    })    writeTxt(`${dir}/weibo_${Date.now()}.txt`, strData);//写入txt    addMsg('$END');}module.exports = weiboWorm;writeTxt.js
let fs = require('fs');//写入txtfunction writeTxt(filePath, data) {    fs.writeFile(filePath, data, (err) => {    })}module.exports = writeTxt;需要注意的是在windows中换行使用的是\r\n,在链接中需要去掉空格。
知乎热榜

https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215549385-2008491326.png
打开知乎官网,会发现它是需要登录的。
f12后点击左上角第二个按钮,在浏览器中切换为手机布局,刷新后即可不登录显示文章信息。
分析请求发现文章数据在请求接口:https://www.zhihu.com/api/v3/explore/guest/feeds 中,参数为limit,限制文章数。
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215557891-419536349.png
根据页面信息推测接口字段含义:

[*]target.question.title为问题标题,
[*]https://www.zhihu.com/question/ + target.question.id为问题链接,
[*]target.question.answer_count为问答数,
[*]target.question.author.name为提问的用户名,
[*]https://www.zhihu.com/org/ + target.question.author.url_token为提问的用户链接,
[*]target.content为高赞回答的内容。
需要注意的是高赞回答的内容中有html的标签,需要自己str.replace(/xxx/g,'')去除。
数据的具体获取方法同微博类似。
B站排行榜

https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215609903-735883052.png
打开B站官网,找到排行榜,f12后发现数据在接口请求:https://api.bilibili.com/x/web-interface/ranking/v2 中,无参。
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215619630-1540988725.png
推测接口字段含义:

[*]title为视频标题,
[*]short_link_v2为视频短链,
[*]stat.view为视频浏览量,
[*]desc为视频描述,
[*]pic为视频封面,
[*]owner.name为视频作者,
[*]pub_location为发布地址,
[*]https://space.bilibili.com/ + owner.mid为作者链接。
数据的具体获取方法同微博类似。
壁纸网站爬取

项目使用了下面三个网站作为例子:
http://www.netbian.com/
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215631247-1460508490.png
https://www.logosc.cn/so/
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215641384-117402632.png
https://bing.ioliu.cn/
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215650529-229534174.png
具体思路如下:

[*]用axios请求页面。
[*]将请求到的数据使用cheerio.load解析(cheerio为node中的jq,语法同jq)。
[*]f12分析需要的数据在什么元素中,使用cheerio获取到该目标元素。
[*]获取到元素中img的src内容。
[*]axios请求src(需要encodeURI转码,防止中文报错),记得设置responseType为stream。
[*]有分页的需要考虑到动态改变url中的页码。
[*]需要保证下载顺序,一张图片下载完成后才能下载另一张,否则下载量过大会有下载失败的可能,使用for配合async与await即可。
具体实现代码如下:
bian.js
let fs = require('fs'),    cheerio = require('cheerio'),    axios = require('axios'),    downloadImg = require("../utils/downloadImg.js"),    { addMsg } = require("../store/index");//抓取彼岸图片async function bianWorm(dir, pageNum) {    let page = pageNum,//抓取页数      pagUrlList = [],      imgList = [],      index = 0,      com = 'https://pic.netbian.com';    addMsg(`${com} 爬取中...`)    for (let i = 1; i{            pagUrlList.push(`${com}${$(e).attr('href')}`);//获取到页面url列表      })    }    pagUrlList.forEach(async (p, i) => {      let pRes = await axios.get(p);      let p$ = cheerio.load(pRes.data);//解析页面      let imgEl = p$('.photo-pic').find('img');//找到元素列表      let imgUrl = `${com}${imgEl.attr('src')}`;//获取图片url      imgList.push(imgUrl);      index++;      //循环的次数等于列表长度时获取图片      if (index == pagUrlList.length) {            let dirStr = `${dir}/bian_${Date.now()}`;            fs.mkdir(dirStr, (err) => { })            downloadImg(imgList, dirStr);//下载图片      }    })}module.exports = bianWorm;downloadImg.js
let fs = require('fs'),    axios = require('axios'),    { addMsg } = require("../store/index");//下载图片async function downloadImg(list, path) {    if (list.length == 0) {      addMsg('$END');      return;    }    // console.log(list.length);    for (let i = 0; i < list.length; i++) {      let url = encodeURI(list);//转码,防止url中文报错      try {            //计算下载的百分比            let percent = ((i + 1) / list.length * 100).toFixed(2);            let msgStr = `${percent}% 爬取中... ${url}`;            addMsg(msgStr);            if (i == list.length - 1) {                msgStr = `图片爬取完成,共${list.length}项。`                addMsg(msgStr);                addMsg('$END');            }            let typeList = ['jpg', 'png', 'jpeg', 'gif', 'webp', 'svg', 'psd', 'bmp', 'tif', 'tiff', 'ico'];            let type = typeList.find((item) => {                return url.includes(item);            });//获取图片类型            (type == undefined) && (type = 'jpg');//判断type是否为undefined            const imgPath = `${path}/${i + 1}.${type}`;//拼接本地路径            const writer = fs.createWriteStream(imgPath);            const response = await axios                .get(url, { responseType: 'stream', timeout: 5000 }).catch(err => { });            response.data.pipe(writer);            await new Promise((resolve, reject) => {                writer.on('finish', resolve);                writer.on('error', reject);            });      } catch (error) { }    }}module.exports = downloadImg;值得注意的是需要保证准确获取图片资源的不同后缀。
随机生成人脸

这里可没有人脸算法之类的,调用的是https://thispersondoesnotexist.com/ 站点的接口,此接口每次刷新可生成不同人脸。
axios请求接口后,使用fs的createWriteStream创建可写流,将数据流写入文件中,下面是具体实现方法:
randomFace.js
let fs = require('fs'),    axios = require('axios'),    { addMsg } = require("../store/index");//生成随机人脸async function randomFace(dir, faceNum) {    let com = 'https://thispersondoesnotexist.com';    addMsg(`人脸生成中...`);    let dirStr = `${dir}/randomFace_${Date.now()}`;    fs.mkdir(dirStr, (err) => { })    for (let i = 1; i{                const writer = fs.createWriteStream(`${dirStr}/${i}.jpg`);// 创建可写流                resp.data.pipe(writer);// 将响应的数据流写入文件                writer.on('finish', () => {                  //计算下载的百分比                  let percent = ((i) / faceNum * 100).toFixed(2);                  let msgStr = `${percent}% 人脸生成中... ${dirStr}/${i}.jpg`;                  addMsg(msgStr);                  if (i == faceNum) {                        msgStr = `人脸生成完成,共${faceNum}张。`                        addMsg(msgStr);                        addMsg('$END');                  }                });                writer.on('error', (err) => { addMsg('$END'); });            })    }}module.exports = randomFace;爬取指定页面所有图片

思路同上面获取壁纸类似,只不过这次是获取页面所有的img标签的src。
由于范围扩大到所有页面了,所以需要考虑的情况就会比较多。
有的src中是没有http或者https的,有的src使用的是相对路径,有的可能有中文字符,还有很多我没考虑到的情况。
所以并不能爬取任意页面的所有图片,比如页面加载过慢,或者用了懒加载、防盗链等技术。
下面是我实现的方法:
allWebImg.js
let fs = require('fs'),    cheerio = require('cheerio'),    axios = require('axios'),    downloadImg = require("../utils/downloadImg.js"),    { addMsg } = require("../store/index");//网站所有图片async function allWebImgWorm(dir, com) {    let imgList = [];    addMsg(`${com} 爬取中...`);    let res = await axios.get(com).catch(err => { });    if (!res) {      addMsg('$END');      return    }    let $ = cheerio.load(res.data);//解析页面    //获取到页面所有图片标签组成的列表    $('img').each(async (j, e) => {      let imgUrl = e.attribs.src;//获取图片链接      if (imgUrl) {            !imgUrl.includes('https') && (imgUrl = `https:${imgUrl}`);//判断是否有https,没有则加上            imgList.push(imgUrl);      }    })    let dirStr = `${dir}/allWebImg_${Date.now()}`;    fs.mkdir(dirStr, (err) => { })    downloadImg(imgList, dirStr);//下载图片}module.exports = allWebImgWorm;删除爬取的数据

使用fs.unlinkSync删除文件,fs.rmdirSync删除目录。
需要提前判断文件夹是否存在。
需要遍历文件,判断是否为文件。为文件则删除,否则递归遍历。
下面是我的方法:
deleteFiles.js
let fs = require('fs'),    path = require('path');//删除文件夹及文件夹下所有文件const deleteFiles = (directory) => {    if (fs.existsSync(directory)) {      fs.readdirSync(directory).forEach((file) => {            const filePath = path.join(directory, file);            const stat = fs.statSync(filePath);            if (stat.isFile()) {                fs.unlinkSync(filePath);            } else if (stat.isDirectory()) {                deleteFiles(filePath);            }      });      if (fs.readdirSync(directory).length === 0) {            fs.rmdirSync(directory);      }    }    fs.mkdir('./exportData', (err) => { })};module.exports = deleteFiles;定时任务

项目中该功能正在开发中,只放了一个按钮,但思路已有了。
在node中的定时操作可用cron实现。
下面是一个小例子,每隔10秒打印一次1:
const cron = require('cron');async function startTask() {   let cronJob = new cron.CronJob(    //秒、分、时、天、月、周    //通配符:,(时间点)-(时间域)*(所有值)/(周期性,/之前的0与*等效)?(不确定)   '0/10 * * * * *',   async () => {   console.log(1);         },         null,         true,         'Asia/Shanghai'//时区标识符   );};注意事项

Server-Sent Events(SSE)

https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215712078-999312441.png
该项目中前后端数据交互接口大多使用的是get请求,但有一个除外,反显爬取进度的接口:/getTaskState。
该接口使用的是SSE,爬取的进度与链接是实时显示的。
最近火热的ChatGPT的流式输出(像人打字一样一个字一个字的显示)使用的便是这个。
SSE虽然与WebSocket一样都是长链接,但不同的是,WebSocket为双工通信(服务器与客户端双向通信),SSE为单工通信(只能服务器向客户端单向通信)。
项目中node服务端发送数据是这样的:
// 事件流获取任务状态    app.get('/getTaskState', async (req, res, next) => {      res.writeHead(200, {            'Content-Type': 'text/event-stream',            'Cache-Control': 'no-cache',            'Connection': 'keep-alive',      });      let sendStr = ''//发送的消息      let id = setInterval(() => {            msgList = getMsg();            //消息列表不为空且最后一条消息不等于上一次发送的消息才能执行            if (msgList.length != 0 && msgList != sendStr) {                sendStr = msgList;                console.log('\x1B需要在res.writeHead中Content-Type设置为text/event-stream即表示使用SSE发送数据。
res.write('data: test\n\n')即表示发送消息:test,每次发送消息需要以data:开头,\n\n结尾。
使用setInterval控制消息发送频率。
需要在服务端监听何时关闭,使用req.on('close',()=>{})。
监听到关闭时执行响应结束res.end()与清除定时器clearInterval(id)。
在vue客户端接收数据是这样的:
//事件流获取任务状态const getTaskState = () => {stateMsg.value = "";isState.value = true;let eventSource = new EventSource(origin.value + '/getTaskState');eventSource.onmessage = (event) => {    if (event.data != '$END') {      stateMsg.value = event.data;    } else {      eventSource.close();//关闭连接(防止浏览器3秒重连)      stateMsg.value = '执行完成!是否打开数据文件夹?';      isState.value = false;      setTimeout(() => {      confirm(stateMsg.value) &&          axios.get(origin.value + '/openDir').then(res => { })//打开数据文件夹      }, 100);    }};//处理错误eventSource.onerror = (err) => {    eventSource.close();//关闭连接    stateMsg.value = ''    isState.value = false;};};直接在方法中new一个EventSource(url),这是H5中新提出的对象,可用于接收服务器发送的事件流数据。
使用EventSource接收数据,直接在onmessage中获取event.data即可。
关闭连接记得使用eventSource.close()方法,因为服务器单方面关闭连接会触发浏览器3秒重连。
处理错误使用eventSource.onerror方法。
关于关闭SSE连接的时机,这是由node服务端决定的。
我在后端有一个store专门用于存储消息数据:
store/index.js
let msgList = [];//消息列表function addMsg(msg) {    msgList.push(msg);}function getMsg() {    return msgList;}function clearMsg() {    //清空msgList中元素    msgList = [];}module.exports = {    addMsg,    getMsg,    clearMsg};
[*]在爬取数据时,后端会计算爬取的进度,将生成的消息字符串push到msgList列表中,每隔10ms发送给前端msgList列表中的最后一个元素。
[*]当后端数据爬取完成时会向msgList中push存入指定字符串:$END,表示获取完成。
[*]当前端识别到获取的消息为$END时,关闭连接。
[*]后端监听到前端连接被关闭,则后端也关闭连接。
pkg打包

全局安装pkg时最好网络环境为可访问github的环境,否则你只能手动下载那个失败的包再扔到指定路径。
pkg安装完成后需要在package.json中配置一番(主要是配置assets,将public与需要的依赖包打包进exe中)。
这是我的package.json配置:
{"name": "worm","version": "0.1.3","description": "","bin": "./index.js","scripts": {    "start": "node-dev ./index.js",    "dist": "node pkg-build.js"},"pkg": {    "icon": "./public/img/icon.ico",    "assets": [      "public/**/*",      "node_modules/axios/**/*.*",      "node_modules/cheerio/**/*.*",      "node_modules/cron/**/*.*",      "node_modules/express/**/*.*"    ]},"author": "","license": "ISC","dependencies": {    "axios": "^0.27.2",    "cheerio": "^1.0.0-rc.12",    "cron": "^2.3.1",    "express": "^4.18.2",    "node-dev": "^8.0.0"}}我的打包命令是通过scripts中的dist在pkg-build.js中引入的,因为我需要将版本号输出在打包出的exe文件名中。
若打包命令直接写在package.json的scripts中会无法读取打包进程中项目的version。
这是我的pkg-build.js:
//只有通过node xxx.js方式执行的命令才能获取到package.json的versionconst pkg = require('./package.json'),    { execSync } = require('child_process');const outputName = `dist/worm_v${pkg.version}.exe`;//拼接文件路径const pkgCommand = `pkg . --output=${outputName} --target=win --compress=GZip`;//打包命令execSync(pkgCommand);//执行打包命令上面命令中的output表示输出路径(包含exe文件名),target表示打包的平台,compress表示压缩格式。
需要注意的是使用pkg打包时,项目中axios的版本不能太高。
否则即使你将axios写在pkg的打包配置里也无济于事,我使用的axios版本为0.27.2。
解决跨域

我node使用的是express,直接在header中配置Access-Control-Allow-Origin为* 即可。
app.all('*', (req, res, next) => {      res.header("Access-Control-Allow-Origin", "*");//允许所有来源访问(设置跨域)      res.header("Access-Control-Allow-Headers", "X-Requested-With,Content-Type");//允许访问的响应头      res.header("Access-Control-Allow-Methods", "PUT,POST,GET,DELETE,OPTIONS");//允许访问的方法      res.header("X-Powered-By", ' 3.2.1');//响应头      res.header("Content-Type", "application/json;charset=utf-8");//响应类型      next();    });child_process模块

众所周知,node是单线程运行的,在主线程中执行大量计算任务时会产生无响应的问题。
但node内置的child_process模块却可以创建新的进程,在新进程中执行操作不会影响到主进程的运行。
在此项目中自动打开浏览器、打开指定文件夹、执行打包命令用的就是它。
// 打开数据文件夹app.get('/openDir', (req, res) => {    res.send('ok');   //打开文件夹,exe环境下需要使用exe所在目录    let filePath = isPkg ?      `${path.dirname(process.execPath)}${dir.replace('./', '\\')}` :      path.resolve(__dirname, dir);    exec(`start ${filePath}`);});//监听端口app.listen(port, () => {    let url = `http://${ipStr}:${port}`;    isPkg && exec(`start ${url}`);//打包环境下自动打开浏览器    //判断是否存在exportData文件夹,没有则创建    fs.exists(dir, async (exists) => {      !exists && fs.mkdir(dir, (err) => { });    })    console.log(      '\x1B设置静态资源

前端使用vue开发时,需要将vue.config.js中的publicPath配置设置为./之后再打包。
将vue打包后dist内的文件拷贝到node项目的public目录下。
需要在express设置请求头之前使用static(path.join(__dirname, './public'))设置静态资源:
const app = express();const isPkg = process.pkg;//判断是否为打包环境const port = isPkg ? 2222 : 1111;//端口const ipStr = getLocalIp();//获取本机iplet time = getFormatTime();//获取格式化时间let dir = './exportData';app.use(express.json());//解析json格式app.use(express.static(path.join(__dirname, './public')));//设置静态资源app.all('*', (req, res, next) => {    res.header("Access-Control-Allow-Origin", "*");//允许所有来源访问(设置跨域)    res.header("Access-Control-Allow-Headers", "X-Requested-With,Content-Type");//允许访问的响应头    res.header("Access-Control-Allow-Methods", "PUT,POST,GET,DELETE,OPTIONS");//允许访问的方法    res.header("X-Powered-By", ' 3.2.1');//响应头    res.header("Content-Type", "application/json;charset=utf-8");//响应类型    next();});关于运行时的黑框

双击exe时,不仅会弹出浏览器用户页面,还会弹出黑框,点击黑框内部还会暂停程序运行。
我有想过使用pm2守护进程干掉黑框,但想到关闭爬虫时只需关闭黑框即可,便留下了黑框。
https://img2023.cnblogs.com/blog/1769804/202308/1769804-20230810215735634-761874232.png
限制爬取次数

做人,特别是做开发,你得有道德,你把人家网站给玩儿崩了这好吗(′⌒`)?
没有任何东西是无限制的,我的限制是放在前端的(可能不太严谨),以爬取壁纸为例,调用inputLimit(num),入参为执行次数,方法是这样的:
//输入限制const inputLimit = (pageNum) => {let val = prompt(`输入执行次数(小于等于${pageNum})`, "");if (val == null || isNaN(val) || parseInt(val) < 1 || parseInt(val) > pageNum) {    return false;}return parseInt(val);};//彼岸壁纸const bianWorm = () => {let val = inputLimit(10);if (val) {    axios.get(origin.value + '/bianWorm?pageNum=' + val).then(res => { });    getTaskState();}};后端获取到pageNum参数后,以此作为执行爬虫逻辑的循环依据。
结语

这是我第一次用js玩儿爬虫,很多地方可能不太完善,还请大佬们指出,谢谢啦!
此项目仅供学习研究,勿作他用。
原文链接:https://xiblogs.top/?id=60

来源:https://www.cnblogs.com/xi12/p/17621682.html
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作!
页: [1]
查看完整版本: js玩儿爬虫