Skip to content

使用 nodejs 写爬虫 (一): 常用模块和 js 语法

2019年4月1日  14分钟

本篇是使用 nodejs 写爬虫系列教程的第一篇,介绍了使用 nodejs 写爬虫过程中常用的模块和一些必须掌握的 js 语法

常用模块

常用模块有以下几个:

  1. fs-extra
  2. superagent
  3. cheerio
  4. log4js
  5. sequelize
  6. chalk
  7. puppeteer

fs-extra

使用 async/await 的前提是必须将接口封装成 promise, 看一个简单的例子:

const sleep = (milliseconds) => {
  return new Promise((resolve, reject) => {
    setTimeout(() => resolve(), milliseconds);
  });
};

const main = async () => {
  await sleep(5000);
  console.log('5 秒后...');
};

main();

通过在 async 函数中使用 await + promise 的方式来组织异步代码就像是同步代码一般,非常的自然和有助于我们分析代码的执行流程。

在 node 中,fs 模块是一个很常用的操作文件的 native 模块,fs (file system) 模块提供了和文件系统相关的一些同步和异步的 api, 有时候使用同步 api 非常有必要,比如你要在一个自己写的模块中的在访问文件后导出一些接口时,这个时候用同步的 api 就很实用。看个例子:

const path = require('path');
const fs = require('fs-extra');
const { log4js } = require('../../config/log4jsConfig');
const log = log4js.getLogger('qupingce');

const createModels = () => {
  const models = {};
  const fileNames = fs.readdirSync(path.resolve(__dirname, '.'));

  fileNames
    .filter((fileName) => fileName !== 'index.js')
    .map((fileName) => fileName.slice(0, -3))
    .forEach((modelName) => {
      log.info(`Sequelize define model ${modelName}!`);
      models[modelName] = require(path.resolve(__dirname, `./${modelName}.js`));
    });
  return models;
};

module.exports = createModels();

这个模块访问了当前目录下所有的 model 模块并导出 models, 如果是使用异步接口也就是 fs.readdir, 这样的话你在别的模块导入这个模块是获取不到 models 的,原因是 require 是同步操作,而接口是异步的,同步代码无法立即获得异步操作的结果。

为了充分发挥 node 异步的优势,我们还是应该尽量使用异步接口。

我们完全可以使用 fs-extra 模块来代替 fs 模块,类似的模块还有 mz。fs-extra 包含了所有的 fs 模块的接口,还对每个异步接口提供了 promise 支持,更棒的是 fs-extra 还提供了一些其它的实用文件操作函数,比如删除移动文件的操作。更详细的介绍请查看官方仓库 fs-extra

superagent

superagent 是一个 node 的 http client, 可以类比 java 中的 httpclient 和 okhttp, python 中的 requests。可以让我们模拟 http 请求。superagent 这个库有很多实用的特点。

  1. superagent 会根据 response 的 content-type 自动序列化,通过 response.body 就可以获取到序列化后的返回内容

  2. 这个库会自动缓存和发送 cookies, 不需要我们手动管理 cookies

  3. 再来就是它的 api 是链式调用风格的,调用起来很爽,不过使用的时候要注意调用顺序

  4. 它的异步 api 都是返回 promise 的。

非常方便有木有 😋。官方文档就是很长的一页,目录清晰,很容易就搜索到你需要的内容。最后,superagent 还支持插件集成,比如你需要在超时后自动重发,可以使用 superagent-retry。更多插件可以去 npm 官网上搜索关键字 superagent-。更多详情查看官方文档superagent

// 官方文档的一个调用示例
request
  .post('/api/pet')
  .send({ name: 'Alice', species: 'cat' })
  .set('X-API-Key', 'foobar')
  .set('Accept', 'application/json')
  .then((res) => {
    alert('yay got ' + JSON.stringify(res.body));
  });

cheerio

写过爬虫的人都知道,我们经常会有解析 html 的需求,从网页源代码中爬取信息应该是最基础的爬虫手段了。python 中有 beautifulsoup, java 中有 jsoup, node 中有 cheerio。

cheerio 是为服务器端设计的,给你近乎完整的 jquery 体验。使用 cheerio 来解析 html 获取元素,调用方式和 jquery 操作 dom 元素用法完全一致。而且还提供了一些方便的接口,比如获取 html, 看一个例子:

const cheerio = require('cheerio');
const $ = cheerio.load('<h2 class="title">Hello world</h2>');

$('h2.title').text('Hello there!');
$('h2').addClass('welcome');

$.html();
//=> <h2 class="title welcome">Hello there!</h2>

官方仓库:cheerio

log4js

log4j 是一个为 node 设计的日志模块。场景简单情况下可以考虑使用 debug 模块。log4js 比较符合我对日志库的需求,其实他俩定位也不一样,debug 模块是为调试而设计的,log4js 则是一个日志库,肯定得提供文件输出和分级等常规功能。

log4js 模块看名字有点向 java 中很有名的日志库 log4j 看齐的节奏。log4j 有以下特点:

  1. 可以自定义 appender(输出目标),lo4js 甚至提供了输出到邮件等目标的 appender
  2. 通过组合不同的 appender, 可以实现不同目的的 logger(日志器)
  3. 提供了日志分级功能,官方的 FAQ 中提到了如果要对 appender 实现级别过滤,可以使用 logLevelFilter
  4. 提供了滚动日志和自定义输出格式

下面通过我最近一个爬虫项目的配置文件来感受以下这个库的特点:

const log4js = require('log4js');
const path = require('path');
const fs = require('fs-extra');

const infoFilePath = path.resolve(__dirname, '../out/log/info.log');
const errorFilePath = path.resolve(__dirname, '../out/log/error.log');
log4js.configure({
  appenders: {
    dateFile: {
      type: 'dateFile',
      filename: infoFilePath,
      pattern: 'yyyy-MM-dd',
      compress: false,
    },
    errorDateFile: {
      type: 'dateFile',
      filename: errorFilePath,
      pattern: 'yyyy-MM-dd',
      compress: false,
    },
    justErrorsToFile: {
      type: 'logLevelFilter',
      appender: 'errorDateFile',
      level: 'error',
    },
    out: {
      type: 'console',
    },
  },
  categories: {
    default: {
      appenders: ['out'],
      level: 'trace',
    },
    qupingce: {
      appenders: ['out', 'dateFile', 'justErrorsToFile'],
      level: 'trace',
    },
  },
});

const clear = async () => {
  const files = await fs.readdir(path.resolve(__dirname, '../out/log'));
  for (const fileName of files) {
    fs.remove(path.resolve(__dirname, `../out/log/${fileName}`));
  }
};

module.exports = {
  log4js,
  clear,
};

sequelize

写项目我们往往会有持久化的需求,简单的场景可以使用 JSON 保存数据,如果数据量比较大还要便于管理,那么我们就要考虑用数据库了。如果是操作 mysql 和 sqlite 建议使用 sequelize, 如果是 mongodb, 我更推荐用专门为 mongodb 设计的 mongoose

sequelize 有几点我觉得还是有点不太好,比如默认生成 id (primary key), createdAtupdatedAt

抛开一些自作主张的小毛病,sequelize 设计的还是很好的。内置的操作符,hooks, 还有 validators 很有意思。sequelize 还提供了 promise 和 typescript 支持。如果是使用 typescript 开发项目,还有另外一个很好的 orm 选择 : typeorm。更多内容可以查看官方文档:sequelize

chalk

chalk 中文意思是粉笔的意思,这个模块是 node 很有特色和实用的一个模块,它可以为你输出的内容添加颜色,下划线,背景色等装饰。当我们写项目的时候往往需要记录一些步骤和事件,比如打开数据库链接,发出 http 请求等。我们可以适当使用 chalk 来突出某些内容,例如请求的 url 加上下划线。

const logRequest = (response, isDetailed = false) => {
  const URL = chalk.underline.yellow(response.request.url);
  const basicInfo = `${response.request.method} Status: ${response.status} Content-Type: ${response.type} URL=${URL}`;
  if (!isDetailed) {
    logger.info(basicInfo);
  } else {
    const detailInfo = `${basicInfo}\ntext: ${response.text}`;
    logger.info(detailInfo);
  }
};

调用上面的 logRequest 效果:

chalk

更多内容查看官方仓库chalk

puppeteer

如果这个库没听说过,你可能听说过 selenium。puppeteer 是 Google Chrome 团队开源的一个通过 devtools 协议操纵 chrome 或者 Chromium 的 node 模块。Google 出品,质量有所保证。这个模块提供了一些高级的 api, 默认情况下,这个库操纵的浏览器用户是看不到界面的,也就是所谓的无头 (headless) 浏览器。当然可以通过配置一些参数来启动有界面的模式。在 chrome 中还有一些专门录制 puppeteer 操作的扩展,比如Puppeteer Recorder。使用这个库我们可以用来抓取一些通过 js 渲染而不是直接存在于页面源代码中的信息。比如 spa 页面,页面内容都是 js 渲染出来的。这个时候 puppeteer 就为我们解决了这个问题,我们可以调用 puppeteer 在页面某个标签出现时获取到页面当时的渲染出来的 html。事实上,往往很多比较困难的爬虫解决的最终法宝就是操纵浏览器。

前置的 js 语法

async/await

首先要提的就是 async/await, 因为 node 在很早的时候 (node 8 LTS) 就已经支持 async/await, 现在写后端项目没理由不用 async/await 了。使用 async/await 可以让我们从回调炼狱的困境中解脱出来。这里主要提一下关于使用 async/await 时可能会碰到的问题

使用 async/await 怎样并发?

来看一段测试代码:

const sleep = (milliseconds) => {
  return new Promise((resolve, reject) => {
    setTimeout(() => resolve(), milliseconds);
  });
};

const test1 = async () => {
  for (let i = 0, max = 3; i < max; i++) {
    await sleep(1000);
  }
};

const test2 = async () => {
  Array.from({ length: 3 }).forEach(async () => {
    await sleep(1000);
  });
};

const main = async () => {
  console.time('测试 for 循环使用 await');
  await test1();
  console.timeEnd('测试 for 循环使用 await');

  console.time('测试 forEach 调用 async 函数');
  await test2();
  console.timeEnd('测试 forEach 调用 async 函数');
};

main();

运行结果是:

测试 for 循环使用 await: 3003.905ms
测试 forEach 调用 async 函数: 0.372ms

我想可能会有些人会认为测试 forEach 的结果会是 1 秒左右,事实上测试 2 等同于以下代码:

const test2 = async () => {
  // Array.from({length: 3}).forEach(async () => {
  //     await sleep(1000);
  // });

  Array.from({ length: 3 }).forEach(() => {
    sleep(1000);
  });
};

从上面的运行结果也可以看出直接在 for 循环中使用 await + promise, 这样等同于同步调用,所以耗时是 3 秒左右。如果要并发则应该直接调用 promise, 因为 forEach 是不会帮你 await 的,所以等价于上面的代码,三个任务直接异步并发了。

处理多个异步任务

上面的代码还有一个问题,那就是测试 2 中并没有等待三个任务都执行完就直接结束了,有时候我们需要等待多个并发任务结束之后再执行后续任务。其实很简单,利用下 Promise 提供的几个工具函数就可以了。

const sleep = (milliseconds, id = '') => {
  return new Promise((resolve, reject) => {
    setTimeout(() => {
      console.log(`任务${id}执行结束`);
      resolve(id);
    }, milliseconds);
  });
};

const test2 = async () => {
  const tasks = Array.from({ length: 3 }).map((ele, index) => sleep(1000, index));
  const resultArray = await Promise.all(tasks);
  console.log({ resultArray });
  console.log('所有任务执行结束');
};

const main = async () => {
  console.time('使用 Promise.all 处理多个并发任务');
  await test2();
  console.timeEnd('使用 Promise.all 处理多个并发任务');
};

main();

运行结果:

任务0执行结束
任务1执行结束
任务2执行结束
{ resultArray: [ 0, 1, 2 ] }
所有任务执行结束
使用 Promise.all 处理多个并发任务: 1018.628ms

除了 Promise.all, Promise 还有 race 等接口,不过最常用应该就是 all 和 race 了。

正则表达式

正则表达式是处理字符串强有力的工具。核心是匹配,由此衍生出提取,查找,替换的等操作。

有时候我们通过 cheerio 中获取到某个标签内的文本时,我们需要提取其中的部分信息,这个时候正则表达式就该上场了。正则表达式的相关语法这里就不详细说明了,入门推荐看廖雪峰的正则表达式教程。来看个实例:

// 服务器返回的 img url 是:/GetFile/getUploadImg?fileName=9b1cc22c74bc44c8af78b46e0ca4c352.png
// 现在我只想提取文件名,后缀名也不要
const imgUrl = '/GetFile/getUploadImg?fileName=9b1cc22c74bc44c8af78b46e0ca4c352.png';
const imgReg = /\/GetFile\/getUploadImg\?fileName=(.+)\..+/;
const imgName = imgUrl.match(imgReg)[1];
console.log(imgName); // => 9b1cc22c74bc44c8af78b46e0ca4c352

暂时先介绍到这里了,后续有更多内容会继续补充。

本文为原创内容,首发于个人博客, 转载请注明出处。如果有问题欢迎邮件骚扰 [email protected]