nodejs爬虫笔记(三)---爬取YouTube网站上的视频信息

思路：通过笔记（二）中代理的设置，已经可以对YouTube的信息进行爬取了，这几天想着爬取网站下的视频信息。通过分析YouTube，发现可以从订阅号入手，先选择几个订阅号，然后爬取订阅号里面的视频分类，之后进入到每个分类下的视频列表，最后在具体到每一个视频，获取需要的信息。以订阅号YouTube 电影为例。源码请点击这里。

 

一、爬取YouTube 电影里面的视频分类列表

打开订阅号，我们可以发现订阅号下有许多视频分类如下图所示，接下来可以解析该订阅号信息，把视频分类的URL和名称爬取下来。

 接下来我们通过浏览器点击检查查看网页，分析下如何获取分类，可以发现所有的视频分类都在ul 下的 li 里面，通过ul的id 我们便可以找到分类的相关信息，因此我们可以利用cheerio模块来解析页面，从而获取分类信息。

先将获取分类信息的相关代码分装成一个函数function categoryList (url , callback){}，代码如下：

?
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
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
var request =require('superagent');
require('superagent-proxy')(request);
 
var cheerio = require('cheerio');
var debug = require('debug')('youtube:test:category-list');
 
var proxy = 'http://127.0.0.1:61481';//设置代理IP地址
 
//请求头信息
var header = {
    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Accept-Encoding':'gzip, deflate, sdch, br',
    'Accept-Language':'zh-CN,zh;q=0.8,en;0.6',
    'Cookie':'WKcs6.resume=; _ga=GA1.2.1653214693.1476773935; _gid=GA1.2.943573022.1500212436; YSC=_X6aKoK1jMc; s_gl=1d69aac621b2f9c0a25dade722d6e24bcwIAAABVUw==; VISITOR_INFO1_LIVE=T3BczuPUIQo; PREF=hl=zh-CN&cvdm=grid&gl=US&f1=50000000&al=zh-CN&f6=1&f5=30; SID=7gR6XOImfW5PbJLOrScScD4DXf8cHCkWCkxSUFy9CbhnaFaPLBCVCElv97n_mjWgkPC_ow.; HSID=A0_bKgPkAZLJUfnTj; SSID=ASjQTON7p_q4UNgit; APISID=ZIVPX9a3vUKRa28E/A0dykxLiVJ4xDIUS_; SAPISID=t6dcqHC9pjGsE7Bi/ATm5wgRC27rqUQr5B; CONSENT=YES+CN.zh-CN+20160904-14-0; LOGIN_INFO=APUNbegwRQIhAPnMZ-qYHOSAKq0s9ltEQIUvnWNj9CHQ8J5s2JtZK15TAiBLzfS4HEUh-mWGo2Qo6XOruItGRdpPZ2v3cXLqYY7xtA:QUZKNV9BajdRR2VZQ2QyRlVDdXh3VDdKZ1AzMlFqRmg3aTBfR2pxWXFHWXlXYm1BaVVnQWk4UzZfWmZGSGcxRkNuTDBFYTk2a2tKLUEtNmtNaWZKM3hTMWNTZkgyOVlvTF9DNENwTG5XTlJudEVHQzVIeGxMbTFTdkl6YS02QlBmMmM0NVgteWI3QVNIa3c5c2ZkV1NSa3AzbWhwOHBtbzVrVTVSbTBqaWpIZ0dWNTd4UjJRSllr',
    'Upgrade-insecure-requests':'1',
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.59 Safari/537.36',
    'X-Chrome-Uma-Enabled':'1',
    'X-Client-Data':'CJa2yQEIorbJAQjBtskBCKmdygE=',
    'Connection': 'keep-alive'
};
 
//获取订阅号下视频分类列表
function categoryList (url , callback){
    debug('读取订阅号下视频分类列表',url);
 
    request
    .get(url)//需要获取的网址
    .set('header',header)
    .proxy(proxy)
    .end(onresponse);
 
    function onresponse(err,res){
        //res.setEncoding('utf-8'); //防止中文乱码
        if(err){
            return callback(err);
        }else{
            console.log('status:'+res.status);//打印状态码
            //console.log(res.text);
            var $ = cheerio.load(res.text);
            //获取订阅号Id
            var $channelName = $('#c4-primary-header-contents .branded-page-header-title a').attr('href');
            var $channelId = $channelName.match(/channel\/([a-zA-Z0-9_-]+)/);
             
            var categoryList = [];
            $('#browse-items-primary .branded-page-module-title').each(function(){
                var $category = $(this).find('a').first();
                var item = {
                    name : $category.text().trim(),
                    url : 'https://www.youtube.com' + $category.attr('href')
                };
                //根据URL判断为订阅号或者是视频分类
                if(item.url.indexOf('list')!==-1){
                    item.channelId = $channelId[1];
                }else{
                    var s = item.url.match(/channel\/([a-zA-Z0-9_-]+)/);
                    item.id = s[1];
                }
                //获取youtube某个订阅号下的视频分类
                if(item.name!==''){
                    categoryList.push(item);
                }
            });
             
            callback(null,categoryList);
        }
    }
}

接着调用categoryList函数：

?
1
2
3
4
5
6
categoryList('https://www.youtube.com/channel/UClgRkhTL3_hImCAmdLfDE4g',function(err,categoryList){
    if(err){
        return console.log(err);
    }
    return console.log(categoryList);
});

在后台运行就得到了视频分类信息，这是会发现视频分类里面又包含了某些订阅号，而我们只需要提取视频分类。

去除订阅号信息（当然也可以添加到订阅号列表，然后再依次读取订阅号下的视频分类）

?
1
2
3
4
5
6
7
8
9
//获取youtube某个订阅号下的视频分类
if(item.name!==''){
    categoryList.push(item);
}
替换为
//获取youtube某个订阅号下的视频分类
                if(item.categoryName!==''&&item.hasOwnProperty('channelId')){
    categoryList.push(item);
}

 这时再运行会发现订阅号的信息已经剔除了，只保留了分类列表，接下来进入到下一层，通过视频分类获取视频列表。

 

二、获取视频列表

我们以最卖座电影为例，获取其下面的视频列表。点击打开页面，我们会发现该分类下视频列表全部在在里面，我们同样只获取其url 以及名称等信息。

 

点击检查（ps：我用的Google浏览器），先查看下网页结构，再用cheerio进行解析。检查发现我们可以通过tbody中的tr获取每个视频。

 相关代码如下：

?
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
48
49
//获取视频列表
function videoList (url , callback){
    debug('读取视频列表',url)
 
    request
      .get(url)//需要获取的网址
      .set('header',header)
      .proxy(proxy)
      .end(onresponse);
 
    function onresponse(err,res){
      res.setEncoding('utf-8'); //防止中文乱码
      if(err){
        return callback(err);
      }else{
        console.log('status:'+res.status);//打印状态码
        //console.log(res.text);
        var $ = cheerio.load(res.text);
        var  videoList = [];
        //获取视频分类名称
        var $category = $('#pl-header .pl-header-content .pl-header-title').text().trim();
        $('#pl-video-table tr .pl-video-title').each(function(){
          var $video = $(this).find('a');
          var item = {
            categoryName : $category,
            name : $video.text().trim(),
            url : 'https://www.youtube.com' + $video.attr('href')
          };
          //从url中提取index
          var s = item.url.match(/index\=(\d+)/);
          if(Array.isArray(s)){
              item.order = s[1];
              //获取youtube某个订阅号下的某个视频分类下的所有视频列表
              videoList.push(item);
          }
           
        });
         
        callback(null,videoList);
      }
    }
}
 
videoList('https://www.youtube.com/playlist?list=PLHPTxTxtC0iaN9kA37m6MRrxFkgby2CDR',function(err,videoList){
    if(err){
        return console.log(err);
    }
    return console.log(videoList);
});

运行后我们可以发现后台打印出了视频列表的想关信息

 

三、获取具体视频信息

 以第一个视频为例，点击可以看到发布时间，简介等视频信息多可以提取出来。

同样通过检查，分析页面后，我们的代码如下：

?
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
//获取视频详细信息
function information (url , callback){
    debug('读取视频详细信息',url);
 
    request
        .get(url)//需要获取的网址
        .set('header',header)
        .proxy(proxy)
        .end(onresponse);
 
    function onresponse(err,res){
         
        if(err){
            return callback(err);
        }else{
            console.log('status:'+res.status);//打印状态码
            //console.log(res.text);
            var $ = cheerio.load(res.text);
            var information = {};
            information.url = 'https://www.youtube.com'+$('#playlist-autoscroll-list .currently-playing a').attr('href');
            information.videoName = $('#watch-headline-title').text().trim();
            information.pubTime = $('#watch-uploader-info').text().trim();
            information.intro = $('#watch-description-text').text().trim();
             
            var filmLen = $('#watch-description-extras .watch-extras-section li').text().trim();
            var s = filmLen.match(/(\d+\:\d+\:\d+)/);
            if(Array.isArray(s)){
                information.filmLen = s[1];
            }
             
            callback(null,information);
        }
    }
}
 
information('https://www.youtube.com/watch?v=sjhbO8lIc2s&index=1&list=PLHPTxTxtC0iaN9kA37m6MRrxFkgby2CDR',function(err,information){
    if(err){
        return console.log(err);
    }
    return console.log(information);
})

　　

 运行后发现视频的部分信息已经打印出来啦！

 

 到这我们已经完成了从订阅号到视频分类再到具体视频的一整个过程，接下来我们利用nodejs爬虫笔记一中的方法对其进行保存。

 四、整理并保存

 1、首先在youtube目录下新建config.js、read.js、save.js以及index.js文件，config文件用于存储订阅号网址等信息，read文件用于读取页面信息，save文件用于将数据存储在mysql，index作为主文件，通过调用read和save文件运行，将信息依次保存。

2、安装相关模块，如mysql，debug，async等。

3、 在数据库中，新建YouTube数据库，分别新建channel，categroy，video和information四个数据表，依次保存订阅号信息，分类列表，视频列表和视频信息。

4、因为每个视频对应着唯一的ID，因而对得到的视频列表进行去重处理，然后再到具体的视频，以免获取重复的视频信息。

 

config.js

?
1
2
3
4
5
6
7
8
9
10
11
exports.URL = {
    url : 'https://www.youtube.com'
};
 
exports.channel = [
    {url:'https://www.youtube.com/channel/UCYfdidRxbB8Qhf0Nx7ioOYw'},//news
    {url:'https://www.youtube.com/channel/UC-9-kyTW8ZkZNDHQJ6FgpwQ'},//musics
    {url:'https://www.youtube.com/channel/UCEgdi0XIXXZ-qJOFPf4JSKw'},//physical
    {url:'https://www.youtube.com/channel/UClgRkhTL3_hImCAmdLfDE4g'},//movies
    {url:'https://www.youtube.com/channel/UCOpNcN46UbXVtpKMrmU4Abg'} //games
];

　　

 read.js

?
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
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
var request =require('superagent');
require('superagent-proxy')(request);
 
var cheerio = require('cheerio');
 
var debug = require('debug')('youtube:read');
 
var proxy = 'http://127.0.0.1:61481';//设置代理IP地址
 
//请求头信息
var header = {
    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Accept-Encoding':'gzip, deflate, sdch, br',
    'Accept-Language':'zh-CN,zh;q=0.8,en;0.6',
    'Cookie':'WKcs6.resume=; _ga=GA1.2.1653214693.1476773935; _gid=GA1.2.943573022.1500212436; YSC=_X6aKoK1jMc; s_gl=1d69aac621b2f9c0a25dade722d6e24bcwIAAABVUw==; VISITOR_INFO1_LIVE=T3BczuPUIQo; PREF=hl=zh-CN&cvdm=grid&gl=US&f1=50000000&al=zh-CN&f6=1&f5=30; SID=7gR6XOImfW5PbJLOrScScD4DXf8cHCkWCkxSUFy9CbhnaFaPLBCVCElv97n_mjWgkPC_ow.; HSID=A0_bKgPkAZLJUfnTj; SSID=ASjQTON7p_q4UNgit; APISID=ZIVPX9a3vUKRa28E/A0dykxLiVJ4xDIUS_; SAPISID=t6dcqHC9pjGsE7Bi/ATm5wgRC27rqUQr5B; CONSENT=YES+CN.zh-CN+20160904-14-0; LOGIN_INFO=APUNbegwRQIhAPnMZ-qYHOSAKq0s9ltEQIUvnWNj9CHQ8J5s2JtZK15TAiBLzfS4HEUh-mWGo2Qo6XOruItGRdpPZ2v3cXLqYY7xtA:QUZKNV9BajdRR2VZQ2QyRlVDdXh3VDdKZ1AzMlFqRmg3aTBfR2pxWXFHWXlXYm1BaVVnQWk4UzZfWmZGSGcxRkNuTDBFYTk2a2tKLUEtNmtNaWZKM3hTMWNTZkgyOVlvTF9DNENwTG5XTlJudEVHQzVIeGxMbTFTdkl6YS02QlBmMmM0NVgteWI3QVNIa3c5c2ZkV1NSa3AzbWhwOHBtbzVrVTVSbTBqaWpIZ0dWNTd4UjJRSllr',
    'Upgrade-insecure-requests':'1',
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.59 Safari/537.36',
    'X-Chrome-Uma-Enabled':'1',
    'X-Client-Data':'CJa2yQEIorbJAQjBtskBCKmdygE=',
    'Connection': 'keep-alive'
};
 
//获取订阅号列表
exports.channelList = function(url , callback){
    debug('读取订阅号列表', url);
 
    request
    .get(url)//需要获取的网址
    .set('header',header)
    .proxy(proxy)
    .end(onresponse);
 
    function onresponse(err,res){
        //res.setEncoding('utf-8'); //防止中文乱码
        if(err){
            return callback(err);
        }else{
            //console.log('status:'+res.status);//打印状态码
            //console.log(res.text);
            var $ = cheerio.load(res.text);
            var  channelList = [];
            var s = $('#guide-container .guide-toplevel li').eq(4);
            // console.log(s);
            s.find('a').each(function(){
                var item = {
                    channelName : $(this).text().trim(),
                    url : 'https://www.youtube.com' + $(this).attr('href')
                };
                var s = item.url.match(/channel\/([a-zA-Z0-9_-]+)/);
                if(Array.isArray(s)){
                    item.id = s[1];
                    //获取youtube主页下的订阅号
                    channelList.push(item);
                }
                 
            });
            callback(null,channelList);
        }
    }
};
 
//获取订阅号下视频分类列表
exports.categoryList = function(url , callback){
    debug('读取订阅号下视频分类列表',url);
 
    request
    .get(url)//需要获取的网址
    .set('header',header)
    .proxy(proxy)
    .end(onresponse);
 
    function onresponse(err,res){
        //res.setEncoding('utf-8'); //防止中文乱码
        if(err){
            return callback(err);
        }else{
            //console.log('status:'+res.status);//打印状态码
            //console.log(res.text);
            var $ = cheerio.load(res.text);
            //获取订阅号Id
            var $channelName = $('#c4-primary-header-contents .branded-page-header-title a').attr('href');
            var $channelId = $channelName.match(/channel\/([a-zA-Z0-9_-]+)/);
             
            var categoryList = [];
            $('#browse-items-primary .branded-page-module-title').each(function(){
                var $category = $(this).find('a').first();
                var item = {
                    categoryName : $category.text().trim(),
                    url : 'https://www.youtube.com' + $category.attr('href')
                };
                //根据URL判断为订阅号还是视频分类
                if(item.url.indexOf('list')!==-1){
                    if(Array.isArray($channelId)){
                        item.channelId = $channelId[1];
                    }
                     
                }else{
                    var s = item.url.match(/channel\/([a-zA-Z0-9_-]+)/);
                    if(Array.isArray(s)){
                        item.id = s[1];
                    }
                }
                //获取youtube某个订阅号下的视频分类
                if(item.categoryName!==''&&item.hasOwnProperty('channelId')){
                    categoryList.push(item);
                }
            });
             
            callback(null,categoryList);
        }
    }
};
 
//获取视频列表
exports.videoList =function (url , callback){
    debug('读取视频列表',url)
 
    request
      .get(url)//需要获取的网址
      .set('header',header)
      .proxy(proxy)
      .end(onresponse);
 
    function onresponse(err,res){
      //res.setEncoding('utf-8'); //防止中文乱码
      if(err){
        return callback(err);
      }else{
        //callback(null,'status:'+res.status);//打印状态码
        //console.log(res.text);
        var $ = cheerio.load(res.text);
        var  videoList = [];
        //获取视频分类名称
        var $category = $('#pl-header .pl-header-content .pl-header-title').text().trim();
        $('#pl-video-table tr .pl-video-title').each(function(){
          var $video = $(this).find('a');
          var item = {
            categoryName : $category,
            videoName : $video.text().trim(),
            url : 'https://www.youtube.com' + $video.attr('href')
          };
          var s = item.url.match(/index\=(\d+)/);
          if(Array.isArray(s)){
              item.sequence = s[1];
              //获取youtube某个订阅号下的某个视频分类下的所有视频列表
              videoList.push(item);
          }
        });
         
        callback(null,videoList);
      }
    }
};
 
//获取视频详细信息
exports.information = function (url , callback){
    debug('读取视频详细信息',url);
 
    request
        .get(url)//需要获取的网址
        .set('header',header)
        .proxy(proxy)
        .end(onresponse);
 
    function onresponse(err,res){
        //res.setEncoding('utf-8'); //防止中文乱码
        if(err){
            return callback(err);
        }else{
            //console.log('status:'+res.status);//打印状态码
            //console.log(res.text);
            var $ = cheerio.load(res.text);
            var information = {};
            information.videoName = $('#watch-headline-title').text().trim();
            information.pubTime = $('#watch-uploader-info').text().trim();
            information.intro = $('#watch-description-text').text().trim();
             
            var filmLen = $('#watch-description-extras .watch-extras-section li').text().trim();
            var s = filmLen.match(/(\d+\:\d+\:\d+)/);
            if(Array.isArray(s)){
                information.filmLen = s[1];
            }
             
            callback(null,information);
        }
    }
};
 
//去重处理
exports.unique = function(arr){
    var ret=[];
    var hash={};
    for(var i=0;i<arr.length;i++){
        var item=arr[i];
        var s = item.url.match(/v\=([a-zA-Z0-9_-]+)/);
        var key = typeof(item)+s[1];
        if(hash[key]!==1){
            ret.push(item);
            hash[key] =1;
        }
    }
    return ret;
};

　　

save.js

?
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
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
var mysql = require('mysql');
 
var debug = require('debug')('youtube:save');
var async = require('async');
 
var pool = mysql.createPool({
    host : 'localhost',
    user : 'root',
    password : 'z2457098495924',
    database : 'youtube'
});
 
//保存订阅列表
exports.channelList = function(list,callback){
    debug('保存订阅列表',list.length);
 
    pool.getConnection(function(err,connection){
        if(err){
            return callback(err);
        }
 
        var findsql = 'select * from channel where id=?';
        var insertsql = 'insert into channel(channelName,url,id) values(?,?,?)';
        var updatesql = 'update channel set channelName=?,url=? where id=?';
        async.eachSeries(list,function(item,next){
            //查询订阅号是否存在
            connection.query(findsql,[item.id],function(err,result){
                if(err){
                    return next(err);
                }
                if(result.length>=1){
                    //订阅号已经存在，更新
                    connection.query(updatesql,[item.channelName,item.url,item.id],next);
                }else{
                    //将订阅号信息插入到数据表channel
                    connection.query(insertsql,[item.channelName,item.url,item.id],next);
                }
            });
        },callback);
        connection.release();
    });
};
 
//保存订阅号下的视频分类列表
exports.categoryList = function(list,callback){
    debug('保存订阅号下的视频分类列表',list.length);
 
    pool.getConnection(function(err,connection){
        if(err){
            return callback(err);
        }
        var findsql = 'select * from category where channelId=? and categoryName=?';
        var updatesql = 'update category set url=? where channelId=? and categoryName=?';
        var insertsql = 'insert into category(channelId,categoryName,url) values(?,?,?)';
        async.eachSeries(list,function(item,next){
            //检查视频分类是否存在
            connection.query(findsql,[item.channelId,item.categoryName],function(err,result){
                if(err){
                    return next(err);
                }
                if(result.length>=1){
                    //如果存在则进行更新
                    connection.query(updatesql,[item.url,item.channelId,item.categoryName],next);
                }else{
                    //不存在则讲数据插入数据表category
                    connection.query(insertsql,[item.channelId,item.categoryName,item.url],next);
                }
            });
        },callback);
        connection.release();
    });
};
 
//保存订阅号下某个视频分类的视频列表
exports.videoList = function(list,callback){
    debug('//保存订阅号下某个视频分类的视频列表',list.length);
 
    pool.getConnection(function(err,connection){
        if(err){
            return callback(err);
        }
         
        var findsql = 'select * from video where sequence=? and categoryName=?';
        var updatesql = 'update video set url=? where sequence=? and categoryName=?';
        var insertsql = 'insert into video(categoryName,url,sequence) values(?,?,?)';
 
        async.eachSeries(list,function(item,next){
            connection.query(findsql,[item.sequence,item.categoryName],function(err,result){
                if(err){
                    return next(err);
                }
                if(result.length>=1){
                    //如果存在则进行更新
                    connection.query(updatesql,[item.url,item.sequence,item.categoryName],next);
                }else{
                    //不存在则讲数据插入数据表video
                    connection.query(insertsql,[item.categoryName,item.url,item.sequence],next);
                }
            });
        },callback);
        connection.release();
    });
};
 
//保存视频信息
exports.information = function(videoUrl,list,callback){
    debug('保存视频信息',videoUrl,list.length);
 
    pool.getConnection(function(err,connection){
        if(err){
            return callback(err);
        }
 
        var findsql = 'select * from information where videoName=? and url=?';
        var updatesql = 'update information set pubTime=?,intro=?,filmLen=? where videoName=? and url=?';
        var insertsql = 'insert into information(videoName,url,pubTime,intro,filmLen) values(?,?,?,?,?)'
        async.eachSeries(list,function(item,next){
            connection.query(findsql,[item.videoName,videoUrl],function(err,result){
                if(err){
                    return next(err);
                }
                if(result.length>=1){
                    //如果存在则进行更新
                    connection.query(updatesql,[item.pubTime,item.intro,item.filmLen,item.videoName,videoUrl],next);
                }else{
                    //不存在则讲数据插入数据表information
                    connection.query(insertsql,[item.videoName,videoUrl,item.pubTime,item.intro,item.filmLen],next);
                }
            });
        },callback);
        connection.release();
    });
};
 
//保存视频信息
exports.videoDetail = function(videoUrl,list,callback){
    debug('保存视频信息',videoUrl);
 
    pool.getConnection(function(err,connection){
        if(err){
            return callback(err);
        }
 
        var findsql = 'select * from information where videoName=?';
        var updatesql = 'update information set pubTime=?,intro=?,url=?,filmLen=? where videoName=?';
        var insertsql = 'insert into information(videoName,url,pubTime,intro,filmLen) values(?,?,?,?,?)'
         
        connection.query(findsql,[list.videoName],function(err,result){
            if(err){
                return next(err);
            }
            if(result.length>=1){
                //如果存在则进行更新
                connection.query(updatesql,[list.pubTime,list.intro,videoUrl,list.filmLen,list.videoName],callback);
            }else{
                //不存在则讲数据插入数据表information
                connection.query(insertsql,[list.videoName,videoUrl,list.pubTime,list.intro,list.filmLen],callback);
            }
        });
        connection.release();
    });
};

　　 

index.js

?
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
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
var async = require('async');
var config = require('./config');
var read = require('./read');
// var save = require('./save');
 
var debug = require('debug')('youtube:index');
 
var channelList;
var categoryList = {};//存储获取的分类列表
var newCgList = [];//用于存储整理后的分类列表
var videoList = {};
var newVdList = [];
var informationList = {};
async.series([
        //从YouTube主页获取部分订阅号
        function(done){
            read.channelList(config.URL.url,function(err,list){
                channelList = list;
                done(err);
            });
        },
 
        // //保存订阅号
        // function(done){
        //  save.channelList(channelList,done);
        // },
 
        // //从所得的订阅号中获取视频分类列表
        // function(done){
        //  async.eachSeries(channelList,function(item,next){
        //      read.categoryList(item.url,function(err,list){
        //          categoryList[item.id]=list;
        //          next(err);
        //      });
        //      //console.log(categoryList);
        //  },done);
        // },
         
        // //保存订阅号下视频分类列表
        // function(done){
        //  async.eachSeries(Object.keys(categoryList),function(channelId,next){
        //      save.categoryList(categoryList[channelId],next);   
        //  },done);               
        // }
 
        //从config文件中读取订阅号，获取视频分类列表
        function(done){
            async.eachSeries(config.channel,function(item,next){
                read.categoryList(item.url,function(err,list){
                    var s = item.url.match(/channel\/([a-zA-Z0-9_-]+)/);
                    item.id = s[1];
                    categoryList[item.id]=list;
                    next(err);
                });
                //console.log(categoryList);
            },done);
        },
        //保存订阅号下视频分类列表
        function(done){
            async.eachSeries(Object.keys(categoryList),function(channelId,next){
                save.categoryList(categoryList[channelId],next);   
            },done);               
        },
        //重新整理分类列表
        function(done){
            debug('重新整理分类列表');
 
            Object.keys(categoryList).forEach(function(channelId){
                categoryList[channelId].forEach(function(item){
                    newCgList.push(item);
                });
            });
            done();
        },
        //获取所有分类下视频列表
        function(done){
            async.eachSeries(newCgList,function(item,next){
                read.videoList(item.url,function(err,list){
                    videoList[item.categoryName] = list;
                    next(err);
                });
            },done);
        },
        //保存视频列表
        function(done){
            async.each(Object.keys(videoList),function(categoryName,next){
                save.videoList(videoList[categoryName],next);
            },done);
        },
        //重新整理视频列表
        function(done){
            debug('重新整理视频列表并去重');
 
            Object.keys(videoList).forEach(function(categoryName){
                videoList[categoryName].forEach(function(item){
                    newVdList.push(item);
                });
            });
            console.log(newVdList);
            newVdList = read.unique(newVdList);
            console.log(newVdList);
            done();
        },
        //获取视频信息
        function(done){
            async.eachSeries(newVdList,function(item,next){
                read.information(item.url,function(err,list){
                    informationList[item.url] = list;
                    //边读取边保存视频信息
                    console.log(informationList);
                    save.videoDetail(item.url,list,next);
                });
            },done);
        }
         
    ],function(err){
    if(err){
        console.log(err);
    }
    console.log('finish');
    process.exit(0);
});

　　

最后设置环境变量，debug= youtube:*（ps:Windows下为set  debug=youtube:*）,并在youtube目录下执行node index,命令窗口将会依次打印出相关信息。

 

五、小结

通过本次练习，加深了对nodejs爬虫的理解，已经相关模块的应用，但通过爬取的信息，我们可以发现网站中有很多加载更多，而里面的内容我们并没有爬取下来，只爬取到了没点击加载时的页面信息，接下来得好好琢磨如何获取加载更多的内容。

 

posted @   半夜打老虎  阅读(5507)  评论(0)  编辑  收藏  举报
编辑推荐：
· 如何编写易于单元测试的代码
· 10年+ .NET Coder 心语，封装的思维：从隐藏、稳定开始理解其本质意义
· .NET Core 中如何实现缓存的预热？
· 从 HTTP 原因短语缺失研究 HTTP/2 和 HTTP/3 的设计差异
· AI与.NET技术实操系列：向量存储与相似性搜索在 .NET 中的实现
阅读排行：
· 10年+ .NET Coder 心语 ── 封装的思维：从隐藏、稳定开始理解其本质意义
· 地球OL攻略 —— 某应届生求职总结
· 周边上新：园子的第一款马克杯温暖上架
· Open-Sora 2.0 重磅开源！
· 提示词工程——AI应用必不可少的技术
点击右上角即可分享
微信分享提示
AI IDE Trae