一个灵活的 Node.js 多功能爬虫库 —— x-crawl

x-crawl

x-crawl 是一个灵活的 Node.js 多功能爬虫库。用于爬页面、爬接口、爬文件以及轮询爬。

如果你也喜欢 x-crawl ，可以给 x-crawl 存储库 点个 star 支持一下，感谢大家的支持！

特征

• 异步同步 - 只需更改一下 mode 属性值即可切换异步或同步爬取模式。
• ⚙️ 多种功能 - 可爬页面、爬接口、爬文件以及轮询爬，并且支持爬取单个或多个。
• ️ 写法灵活 - 简单目标配置、详细目标配置、混合目标数组配置以及进阶配置，同种爬取 API 适配多种配置。
• 设备指纹 - 零配置或自定义配置，即可避免通过指纹识别从不同位置识别并跟踪我们。
• ⏱️ 间隔爬取 - 无间隔、固定间隔以及随机间隔，即可产生或避免高并发爬取。
• 失败重试 - 全局设置、局部设置以及单独设置, 即可避免因一时问题而造成爬取失败。
• 优先队列 - 根据单个爬取目标的优先级可以优先于其他目标提前进行爬取。
• ☁️ 爬取 SPA - 爬取 SPA（单页应用程序）生成预渲染内容（即“SSR”（服务器端渲染））。
• ⚒️ 控制页面 - 无头浏览器可以表单提交、键盘输入、事件操作、生成页面的屏幕截图等。
• 捕获记录 - 对爬取的结果等信息进行捕获记录，并在控制台进行高亮的提醒。
• TypeScript - 拥有类型，通过泛型实现完整的类型。

示例

每天自动获取 bilibili 首页、国漫、电影这三个页面的轮播图片为例:

// 1.导入模块 ES/CJS
import xCrawl from 'x-crawl'

// 2.创建一个爬虫实例
const myXCrawl = xCrawl({ maxRetry: 3, intervalTime: { max: 3000, min: 2000 } })

// 3.设置爬取任务
// 调用 startPolling API 开始轮询功能，每隔一天会调用回调函数
myXCrawl.startPolling({ d: 1 }, async (count, stopPolling) => {
  // 调用 crawlPage API 爬取 首页、国漫、电影 这三个页面
  const res = await myXCrawl.crawlPage([
    'https://www.bilibili.com',
    'https://www.bilibili.com/guochuang',
    'https://www.bilibili.com/movie'
  ])

  // 存放图片 URL 到 targets
  const targets = []
  const elSelectorMap = ['.carousel-inner img', '.chief-recom-item img', '.bg-item img']
  for (const item of res) {
    const { id } = item
    const { page } = item.data

    // 获取页面轮播图片元素的 URL
    const urls = await page.$$eval(elSelectorMap[id - 1], (imgEls) =>
      imgEls.map((item) => item.src)
    )
    targets.push(...urls)

    // 关闭页面
    page.close()
  }

  // 调用 crawlFile API 爬取图片
  await myXCrawl.crawlFile({ targets, storeDir: './upload' })
})

运行效果:

注意: 请勿随意爬取，爬取前可查看 robots.txt 协议。这里只是为了演示如何使用 x-crawl 。

更多

更详细的文档请查看：https://github.com/coder-hxl/x-crawl