【nodeJS爬虫】前端爬虫系列 -- 小爬「博客园」
写这篇 blog 其实一开始我是拒绝的，因为爬虫爬的就是cnblog博客园。搞不好编辑看到了就把我的账号给封了：）。
-
能看懂 Javascript 及 JQuery
-
简单的nodejs基础
-
http 网络抓包 和 URL 基础
本文较长且图多，但如果能耐下心读完本文，你会发现，简单的一个爬虫实现并不难，并且能从中学到很多东西。
本文中的完整的爬虫代码，在我的github上可以下载。主要的逻辑代码在 server.js 中，建议边对照代码边往下看。
在详细说爬虫前，先来简单看看要达成的最终目标，入口为 http://www.cnblogs.com/ ,博客园文章列表页每页有20篇文章，最多可以翻到200页。我这个爬虫要做的就是异步并发去爬取这4000篇文章的具体内容，拿到一些我们想要的关键数据。
爬虫流程
看到了最终结果，那么我们接下来看看该如何一步一步通过一个简单的 nodejs 爬虫拿到我们想要的数据，首先简单科普一下爬虫的流程，要完成一个爬虫，主要的步骤分为：
抓取
爬虫爬虫，最重要的步骤就是如何把想要的页面抓取回来。并且能兼顾时间效率，能够并发的同时爬取多个页面。
同时，要获取目标内容，需要我们分析页面结构，因为 ajax 的盛行，许多页面内容并非是一个url就能请求的的回来的，通常一个页面的内容是经过多次请求异步生成的。所以这就要求我们能够利用抓包工具分析页面结构。
如果深入做下去，你会发现要面对不同的网页要求，比如有认证的，不同文件格式、编码处理，各种奇怪的url合规化处理、重复抓取问题、cookies 跟随问题、多线程多进程抓取、多节点抓取、抓取调度、资源压缩等一系列问题。
所以第一步就是拉网页回来，慢慢你会发现各种问题待你优化。
存储
当把页面内容抓回来后，一般不会直接分析，而是用一定策略存下来，个人觉得更好的架构应该是把分析和抓取分离，更加松散，每个环节出了问题能够隔离另外一个环节可能出现的问题，好排查也好更新发布。
那么存文件系统、SQL or NOSQL 数据库、内存数据库，如何去存就是这个环节的重点。
分析
对网页进行文本分析，提取链接也好，提取正文也好，总之看你的需求，但是一定要做的就是分析链接了。通常分析与存储会交替进行。可以用你认为最快最优的办法，比如正则表达式。然后将分析后的结果应用与其他环节。
展示
要是你做了一堆事情，一点展示输出都没有，如何展现价值？
所以找到好的展示组件，去show出肌肉也是关键。
如果你为了做个站去写爬虫，抑或你要分析某个东西的数据，都不要忘了这个环节，更好地把结果展示出来给别人感受。
编写爬虫代码
Step.1 页面分析
现在我们一步一步来完成我们的爬虫，目标是爬取博客园第1页至第200页内的4000篇文章，获取其中的作者信息，并保存分析。
共4000篇文章，所以首先我们要获得这个4000篇文章的入口，然后再异步并发的去请求4000篇文章的内容。但是这个4000篇文章的入口 URL 分布在200个页面中。所以我们要做的第一步是 从这个200个页面当中，提取出4000个 URL 。并且是通过异步并发的方式，当收集完4000个 URL 再进行下一步。那么现在我们的目标就很明确了：
Step2.获取4000个文章入口URL
要获取这么多 URL ，首先还是得从分析单页面开始，F12 打开 devtools 。很容易发现文章入口链接保存在 class 为 titlelnk 的 标签中，所以4000个 URL 就需要我们轮询 200个列表页 ，将每页的20个 链接保存起来。那么该如何异步并发的从200个页面去收集这4000个 URL 呢，继续寻找规律，看看每一页的列表页的 URL 结构：
那么，1~200页的列表页 URL 应该是这个样子的：
|
1
2
3
|
for
(
var
i=1 ; i<= 200 ; i++){
pageUrls.push(
'http://www.cnblogs.com/#p'
+i);
}
|
有了存放200个文章列表页的 URL ，再要获取4000个文章入口就不难了，下面贴出关键代码，一些最基本的nodejs语法（譬如如何搭建一个http服务器）默认大家都已经会了：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
// 一些依赖库
var
http = require(
"http"
),
url = require(
"url"
),
superagent = require(
"superagent"
),
cheerio = require(
"cheerio"
),
async = require(
"async"
),
eventproxy = require(
'eventproxy'
);
var
ep =
new
eventproxy(),
urlsArray = [],
//存放爬取网址
pageUrls = [],
//存放收集文章页面网站
pageNum = 200;
//要爬取文章的页数
for
(
var
i=1 ; i<= 200 ; i++){
pageUrls.push(
'http://www.cnblogs.com/#p'
+i);
}
// 主start程序
function
start(){
function
onRequest(req, res){
// 轮询 所有文章列表页
pageUrls.forEach(
function
(pageUrl){
superagent.get(pageUrl)
.end(
function
(err,pres){
// pres.text 里面存储着请求返回的 html 内容，将它传给 cheerio.load 之后
// 就可以得到一个实现了 jquery 接口的变量，我们习惯性地将它命名为 `$`
// 剩下就都是利用$ 使用 jquery 的语法了
var
$ = cheerio.load(pres.text);
var
curPageUrls = $(
'.titlelnk'
);
for
(
var
i = 0 ; i < curPageUrls.length ; i++){
var
articleUrl = curPageUrls.eq(i).attr(
'href'
);
urlsArray.push(articleUrl);
// 相当于一个计数器
ep.emit(
'BlogArticleHtml'
, articleUrl);
}
});
});
ep.after(
'BlogArticleHtml'
, pageUrls.length*20 ,
function
(articleUrls){
// 当所有 'BlogArticleHtml' 事件完成后的回调触发下面事件
// ...
});
}
http.createServer(onRequest).listen(3000);
}
exports.start= start;
|
superagent
superagent(http://visionmedia.github.io/superagent/ ) 是个轻量的的 http 方面的库，是nodejs里一个非常方便的客户端请求代理模块，当我们需要进行 get 、 post 、 head 等网络请求时，尝试下它吧。
cheerio
cheerio(https://github.com/cheeriojs/cheerio ) 大家可以理解成一个 Node.js 版的 jquery，用来从网页中以 css selector 取数据，使用方式跟 jquery 一样一样的。
eventproxy
eventproxy(https://github.com/JacksonTian/eventproxy ) 非常轻量的工具，但是能够带来一种事件式编程的思维变化。
用 js 写过异步的同学应该都知道，如果你要并发异步获取两三个地址的数据，并且要在获取到数据之后，对这些数据一起进行利用的话，常规的写法是自己维护一个计数器。
先定义一个 var count = 0，然后每次抓取成功以后，就 count++。如果你是要抓取三个源的数据，由于你根本不知道这些异步操作到底谁先完成，那么每次当抓取成功的时候，就判断一下count === 3。当值为真时，使用另一个函数继续完成操作。
而 eventproxy 就起到了这个计数器的作用，它来帮你管理到底这些异步操作是否完成，完成之后，它会自动调用你提供的处理函数，并将抓取到的数据当参数传过来。
OK，运行一下上面的函数，假设上面的内容我们保存在 server.js 中，而我们有一个这样的启动页面 index.js，
现在我们在回调里增加几行代码，打印出结果：
打开node命令行，键入指令，在浏览器打开 http://localhost:3000/ ，可以看到：
|
1
|
node index.js
|
成功了！我们成功收集到了4000个 URL ，但是我将这个4000个 URL 去重后发现，只有20个 URL 剩下，也就是说我将每个 URL push 进数组了200次，一定是哪里错，看到200这个数字，我立马回头查看 200 个 文章列表页。
我发现，当我用 http://www.cnblogs.com/#p1 ~ 200 访问页面的时候，返回的都是博客园的首页。 而真正的列表页，藏在这个异步请求下面：
看看这个请求的参数：
把请求参数提取出来，我们试一下这个 URL，访问第15页列表页：http://www.cnblogs.com/?CategoryId=808&CategoryType=%22SiteHome%22&ItemListActionName=%22PostList%22&PageIndex=15&ParentCategoryId=0 。
成功了，那么我们稍微修改下上面的代码：
|
1
2
3
4
5
6
7
|
//for(var i=1 ; i<= 200 ; i++){
// pageUrls.push('http://www.cnblogs.com/#p'+i);
//}
//改为
for
(
var
i=1 ; i<= 200 ; i++){
pageUrls.push(
'http://www.cnblogs.com/?CategoryId=808&CategoryType=%22SiteHome%22&ItemListActionName=%22PostList%22&PageIndex='
+ i +
'&ParentCategoryId=0'
);
}
|
再试一次，发现这次成功收集到了4000个没有重复的 URL 。第二步完成！
Step.3 爬取具体页面内容 使用 async 控制异步并发数量
获取到4000个 URL ，并且回调入口也有了，接下来我们只需要在回调函数里继续爬取4000个具体页面，并收集我们想要的信息就好了。其实刚刚我们已经经历了第一轮爬虫爬取，只是有一点做的不好的地方是我们刚刚并没有限制并发的数量，这也是我发现 cnblog 可以改善的一点，不然很容易被单IP的巨量 URL 请求攻击到崩溃。为了做一个好公民，也为了减轻网站的压力（其实为了不被封IP），这4000个URL 我限制了同时并发量最高为5。这里用到了另一个非常强大的库 async ，让我们控制并发量变得十分轻松，简单的介绍如下。
async
async(https://github.com/caolan/async#queueworker-concurrency)，async是一个流程控制工具包，提供了直接而强大的异步功能mapLimit(arr, limit, iterator, callback)。
这次我们要介绍的是 async 的 mapLimit(arr, limit, iterator, callback) 接口。另外，还有个常用的控制并发连接数的接口是 queue(worker, concurrency) ，大家可以去看看它的API。
继续我们的爬虫，进到具体的文章页面，发现我们想获取的信息也不在直接请求而来的 html 页面中，而是如下这个 ajax 请求异步生成的，不过庆幸的是我们上一步收集的 URL 包含了这个请求所需要的参数，所以我们仅仅需要多做一层处理，将这个参数从 URL 中取出来再重新拼接成一个ajax URL 请求。
下面，贴出代码，在我们刚刚的回调函数中，继续我们4000个页面的爬取，并且控制并发数为5：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
ep.after(
'BlogArticleHtml'
,pageUrls.length*20,
function
(articleUrls){
// 当所有 'BlogArticleHtml' 事件完成后的回调触发下面事件
// 控制并发数
var
curCount = 0;
var
reptileMove =
function
(url,callback){
//延迟毫秒数
var
delay = parseInt((Math.random() * 30000000) % 1000, 10);
curCount++;
console.log(
'现在的并发数是'
, curCount,
'，正在抓取的是'
, url,
'，耗时'
+ delay +
'毫秒'
);
superagent.get(url)
.end(
function
(err,sres){
// sres.text 里面存储着请求返回的 html 内容
var
$ = cheerio.load(sres.text);
// 收集数据
// 拼接URL
var
currentBlogApp = url.split(
'/p/'
)[0].split(
'/'
)[3],
appUrl =
"http://www.cnblogs.com/mvc/blog/news.aspx?blogApp="
+ currentBlogApp;
// 具体收集函数
personInfo(appUrl);
});
setTimeout(
function
() {
curCount--;
callback(
null
,url +
'Call back content'
);
}, delay);
};
// 使用async控制异步抓取
// mapLimit(arr, limit, iterator, [callback])
// 异步回调
async.mapLimit(articleUrls, 5 ,
function
(url, callback) {
reptileMove(url, callback);
},
function
(err,result) {
// 4000 个 URL 访问完成的回调函数
// ...
});
});
|
根据重新拼接而来的 URL ，再写一个具体的 personInfo(URL) 函数，具体获取我们要的昵称、园龄、粉丝数等信息。
这样，我们把抓取回来的信息以 JSON 串的形式存储在 catchDate 这个数组当中，
node index.js 运行一下程序，将结果打印出来，可以看到中间过程及结果：
至此，第三步就完成了，我们也收集到了4000条我们想要的原始数据。
Step.4 分析 展示
本来想将爬来的数据存入 mongoDB ，但因为这里我只抓取了4000条数据，相对于动不动爬几百万几千万的量级而言不值一提，故就不添加额外的操作 mongoDB 代码，专注于爬虫本身。
收集到数据之后，就想看你想怎么展示了，这里推荐使用 Highcharts 纯JS图表库去展示我们的成果。当然这里我偷懒了没有做，直接用最原始的方法展示结果。
下面是我不同时间段爬取，经过简单处理后的的几张结果图：
（结果图的耗时均在并发量控制为 5 的情况下）
后记
OK，至此，整个爬虫就完成了，其实代码量很少，我觉得写爬虫更多的时间是花在在处理各类问题，分析页面结构。
完整的爬虫代码，在我的github上可以下载。如果仍有疑问，可以把代码 down 到本地，重新从文章开头对照代码再实践一次，相信很多问题会迎刃而解。
因为代码开源，本着负责任的心态，希望大家可以照着代码写写其他网站的爬虫，如果都拿cnblog来爬，服务器可能会承受不住的：）
参考文章：《Node.js 包教不包会》。