Node抓取视频那些事 简单入门(1)

前言

本来想一开始直接介绍puppeteer怎么去爬取一些无法直接用简单request请求返回获取内容的。但是转念一想还是从开始的零开始吧,这样子会更好些?那么我们就准备开始爬取吧。

开发环境

  • 操作系统: macos
  • 基本依赖库: yarn lodash cheerio request-promise iconv-lite
  • 源码地址: https://github.com/zhaoleipeng/spider.git
  • 一些说明:简单入门的放在仓储simple文件夹下,后续会继续完善README

目标

此处模拟爬取网易公开课的国际名校公开课。地址https://open.163.com/ocw
结果是获取以json格式存取的内容,下面简单的展示单个的例子。

ps:下方id号的编写是为了方便后续下载方便。

{
    "id": 9,
    "name": "坎卡基社区学院公开课:联邦党人文集",
    "description": "(缺3,6,7集) 翻译完 欢迎学习课程介绍讲述联邦党人文集。",
    "content": [
      {
        "title": "",
        "desc": "[第1集] 联邦党人文集1-11篇",
        "translate": true,
        "href": "http://open.163.com/movie/2017/7/I/E/MCOK19JQ2_MCOP73RIE.html",
        "id": 10
      },
      {
        "title": "",
        "desc": "[第2集] 联邦党人文集12-22篇",
        "translate": true,
        "href": "http://open.163.com/movie/2017/7/F/7/MCOK19JQ2_MCOP774F7.html",
        "id": 11
      },
      {
        "title": "",
        "desc": "[第4集] 联邦党人文集37 - 44篇",
        "translate": true,
        "href": "http://open.163.com/movie/2017/7/7/P/MCOK19JQ2_MCOPGNU7P.html",
        "id": 12
      },
      {
        "title": "",
        "desc": "[第5集] 联邦党人文集45-56",
        "translate": true,
        "href": "http://open.163.com/movie/2017/7/G/S/MCOK19JQ2_MCOPGRHGS.html",
        "id": 13
      },
      {
        "title": "",
        "desc": "[第8集] 联邦党人文集77-85篇",
        "translate": true,
        "href": "http://open.163.com/movie/2017/7/3/U/MCOK19JQ2_MCOPGV13U.html",
        "id": 14
      }
    ]
  }

开始

创建一个名为spider的文件夹,当前目录为/Users/admin/spider

$ yarn init
$ yarn add cheerio request request-promise iconv-lite eslint
$ mkdir simple

准备开始

此时已经有simple文件夹了,创建一个index.js。
目录结构如下

spider
└───simple
        | -- index.js           ---主文件
    
|--  README.md                  ---说明
|--  package.json  
|--  .eslintignore             
|--  .eslintrc.yml              ---eslint规则
|--  yarn.lock

开始分析

我们先打开https://open.163.com/ocw
直接在浏览器上观察其html代码。我们比较容易发现,整个大的名称会在class名称f-c3的里面,而对应的详细路径则在u-cover下面的href标签中。

Node抓取视频那些事 简单入门(1)_第1张图片
分析.png

那么我们很容易就可以写出如下代码,获取所有的title还有对应的address。

'use strict';

const _ = require('lodash');
const cheerio = require('cheerio');
const iconv = require('iconv-lite');
const fs = require('fs');

// 编解码方式根据实际情况来。gbk是该网站的编码方式
const encoding = 'gbk';

// 此处将request函数包装一下,方便处理得到的数据
const request = require('request-promise').defaults({
  encoding: null,
  transform: function (body) {
    if (Buffer.isBuffer(body)) {
      body = iconv.decode(body, encoding);
    }
    return cheerio.load(body, { decodeEntities: false });
  },
});

async function main() {
  const $ = await request('https://open.163.com/ocw');
  const hrefResult = $('.g-cell1').get().map(val => ({
    href: $(val).find('.u-cover').attr('href'),
    title: $(val).find('.f-c3').text(),
  })).filter(val => val.href);
}

main().catch(err => {
  console.error(err.stack);
});

我们运行

$ node simple

就能看到

Node抓取视频那些事 简单入门(1)_第2张图片
result.png

那么后面我们就要对于这个代码进行添加,因为我们还需要得到每个title里面的所有标题的名称还有地址。

正式代码

'use strict';

const _ = require('lodash');
const cheerio = require('cheerio');
const iconv = require('iconv-lite');
const fs = require('fs');

// 编解码方式根据实际情况来。gbk是该网站的编码方式
const encoding = 'gbk';
let index = 0;
let contentIndex = 0;

// 此处将request函数包装一下,方便处理得到的数据
const request = require('request-promise').defaults({
  encoding: null,
  transform: function (body) {
    if (Buffer.isBuffer(body)) {
      body = iconv.decode(body, encoding);
    }
    return cheerio.load(body, { decodeEntities: false });
  },
});

main().catch(err => {
  console.error(err.stack);
});

async function main() {
  let result = [];
  let wrong = [];

  const $ = await request('https://open.163.com/ocw');
  const hrefResult = $('.g-cell1').get().map(val => ({
    href: $(val).find('.u-cover').attr('href'),
    title: $(val).find('.f-c3').text(),
  })).filter(val => val.href);

  // 此处获取href,然后开始请求并处理数据
  for (const { href, title } of hrefResult) {
    try {
      console.log(`${href}[${title}]` + '开始');
      const $ = await request(href);
      const name = $('.m-cdes h2').text() + $('.m-cdes p').text();
      let content = $('.u-ctitle').get().map(val => ({
        title: $(val).find('.downbtn').attr('data-name') || '',
        desc: $(val).text().trim().replace(/\s+/g, ' '),
        translate: $(val).find('.isyy').attr('src') ? true : false,
        href: $(val).find('a').attr('href'),
      }));
      
      // 因为页面内容问题会有重复的结果,此处根据href去重一下
      content = _.uniqBy(content, 'href');
      for (const item of content) {
        item.id = ++contentIndex;
      }
      result.push({ id: ++index, name, content });
      console.log(`${href}[${title}]` + '添加完毕');
    } catch (err) {
      wrong.push({ href, title });
    }
    fs.writeFileSync('./simple/success.json', JSON.stringify(result, 0, 2), 'utf8');
    fs.writeFileSync('./simple/wrong.json', JSON.stringify(wrong, 0, 2), 'utf8');
  }
}

再次运行

$ node simple

就会开始自动爬取所有的内容。

Node抓取视频那些事 简单入门(1)_第3张图片
最终.png

后记

那么我们简单版的前置爬取就完成了。下一节我们就把生成出来的success.json文件作为所有课程的目录,根据其相应的href地址抓取所有的视频。

但是一切会这么如愿以偿的爬取么。包含flash的内容只有当flash播放器加载后才能获取其相应的下载地址,字幕地址等等。单单用request已经无法满足我们的需求。所以后面我们将引入puppeteer。

使用puppeteer后会遇到chromium浏览器还会发现一个问题,那就是默认flash开关是关闭的,那么如何默认打开呢。

千千万万的坑坑,还等着你来。

你可能感兴趣的:(Node抓取视频那些事 简单入门(1))