js玩儿爬虫
前言
提到爬虫可能大多都会想到python，其实爬虫的实现并不限制任何语言。
下面我们就使用js来实现，后端为express，前端为vue3。
实现功能
话不多说，先看结果：
这是项目链接：https://gitee.com/xi1213/worm
项目用到的库有：vue、axios、cheerio、cron、express、node-dev
计划功能有：
- 微博热榜爬取。
- 知乎热榜爬取。
- B站排行榜爬取。
- 三个壁纸网站爬取。
- 随机生成人脸。
- 爬取指定页面所有图片。
- 删除爬取的数据。
- 定时任务(开发中)。
使用形式为：
双击打包出的exe(最好右键管理员运行，以防权限不足)。
双击exe后会弹出node后端启动的黑框。
自动在浏览器中打开操作界面(用户界面)。
爬取出的数据在exe同级目录下的exportData中。
具体实现
微博热榜
打开微博官网，f12分析后台请求，会发现它的热榜数据列表在请求接口：https://weibo.com/ajax/side/hotSearch 中，无参。
在接口列表realtime中根据页面信息，推测其字段含义：
- word为关键字，
- category为类别，
- https://s.weibo.com/weibo?q=%23 + word为链接，
- num为热度。
既然数据是现成的，那我们直接使用axios即可。
获取到数据列表后将其遍历拼接成指定格式的字符串，写入txt，下面是具体方法：
weibo.js
let axios = require('axios'),
writeTxt = require("../utils/writeTxt"),
{ addMsg } = require("../store/index");
//抓取weibo
async function weiboWorm(dir, time) {
let com = 'https://weibo.com';
addMsg(`${com} 爬取中...`)
let res = await axios.get(`${com}/ajax/side/hotSearch`);
//拼接数据
let strData = `微博热榜\r\n爬取时间：${time}\r\n`
await res.data.data.realtime.forEach((l, index) => {
strData = strData +
'\r\n序号：' + (index + 1) + '\r\n' +
'关键字：' + l.word + '\r\n' +
'类别：' + l.category + '\r\n' +
'链接：https://s.weibo.com/weibo?q=%23' + l.word.replace(/\s+/g, "") + '\r\n' +
'热度：' + l.num + '\r\n' +
'\r\n\r\n=================================================================================================================='
})
writeTxt(`${dir}/weibo_${Date.now()}.txt`, strData);//写入txt
addMsg('$END');
}
module.exports = weiboWorm;
writeTxt.js
let fs = require('fs');
//写入txt
function writeTxt(filePath, data) {
fs.writeFile(filePath, data, (err) => {
})
}
module.exports = writeTxt;
需要注意的是在windows中换行使用的是\r\n，在链接中需要去掉空格。
知乎热榜
打开知乎官网，会发现它是需要登录的。
f12后点击左上角第二个按钮，在浏览器中切换为手机布局，刷新后即可不登录显示文章信息。
分析请求发现文章数据在请求接口：https://www.zhihu.com/api/v3/explore/guest/feeds 中，参数为limit，限制文章数。
根据页面信息推测接口字段含义：
- target.question.title为问题标题，
- https://www.zhihu.com/question/ + target.question.id为问题链接，
- target.question.answer_count为问答数，
- target.question.author.name为提问的用户名，
- https://www.zhihu.com/org/ + target.question.author.url_token为提问的用户链接，
- target.content为高赞回答的内容。
需要注意的是高赞回答的内容中有html的标签，需要自己str.replace(/xxx/g,'')去除。
数据的具体获取方法同微博类似。
B站排行榜
打开B站官网，找到排行榜，f12后发现数据在接口请求：https://api.bilibili.com/x/web-interface/ranking/v2 中，无参。
推测接口字段含义：
- title为视频标题，
- short_link_v2为视频短链，
- stat.view为视频浏览量，
- desc为视频描述，
- pic为视频封面，
- owner.name为视频作者，
- pub_location为发布地址，
- https://space.bilibili.com/ + owner.mid为作者链接。
数据的具体获取方法同微博类似。
壁纸网站爬取
项目使用了下面三个网站作为例子：
http://www.netbian.com/
https://www.logosc.cn/so/
https://bing.ioliu.cn/
具体思路如下：
- 用axios请求页面。
- 将请求到的数据使用cheerio.load解析(cheerio为node中的jq,语法同jq)。
- f12分析需要的数据在什么元素中，使用cheerio获取到该目标元素。
- 获取到元素中img的src内容。
- axios请求src(需要encodeURI转码，防止中文报错)，记得设置responseType为stream。
- 有分页的需要考虑到动态改变url中的页码。
- 需要保证下载顺序，一张图片下载完成后才能下载另一张，否则下载量过大会有下载失败的可能，使用for配合async与await即可。
具体实现代码如下：
bian.js
let fs = require('fs'),
cheerio = require('cheerio'),
axios = require('axios'),
downloadImg = require("../utils/downloadImg.js"),
{ addMsg } = require("../store/index");
//抓取彼岸图片
async function bianWorm(dir, pageNum) {
let page = pageNum,//抓取页数
pagUrlList = [],
imgList = [],
index = 0,
com = 'https://pic.netbian.com';
addMsg(`${com} 爬取中...`)
for (let i = 1; i <= page; i++) {
let url = i == 1 ? `${com}/index.html` : `${com}/index_${i}.html`;
let res = await axios.get(url);
let $ = cheerio.load(res.data);//解析页面
let slistEl = $('.slist');//找到元素列表
slistEl.find('a').each(async (j, e) => {
pagUrlList.push(`${com}${$(e).attr('href')}`);//获取到页面url列表
})
}
pagUrlList.forEach(async (p, i) => {
let pRes = await axios.get(p);
let p$ = cheerio.load(pRes.data);//解析页面
let imgEl = p$('.photo-pic').find('img');//找到元素列表
let imgUrl = `${com}${imgEl.attr('src')}`;//获取图片url
imgList.push(imgUrl);
index++;
//循环的次数等于列表长度时获取图片
if (index == pagUrlList.length) {
let dirStr = `${dir}/bian_${Date.now()}`;
fs.mkdir(dirStr, (err) => { })
downloadImg(imgList, dirStr);//下载图片
}
})
}
module.exports = bianWorm;
downloadImg.js
let fs = require('fs'),
axios = require('axios'),
{ addMsg } = require("../store/index");
//下载图片
async function downloadImg(list, path) {
if (list.length == 0) {
addMsg('$END');
return;
}
// console.log(list.length);
for (let i = 0; i < list.length; i++) {
let url = encodeURI(list[i]);//转码,防止url中文报错
try {
//计算下载的百分比
let percent = ((i + 1) / list.length * 100).toFixed(2);
let msgStr = `${percent}% 爬取中... ${url}`;
addMsg(msgStr);
if (i == list.length - 1) {
msgStr = `图片爬取完成，共${list.length}项。`
addMsg(msgStr);
addMsg('$END');
}
let typeList = ['jpg', 'png', 'jpeg', 'gif', 'webp', 'svg', 'psd', 'bmp', 'tif', 'tiff', 'ico'];
let type = typeList.find((item) => {
return url.includes(item);
});//获取图片类型
(type == undefined) && (type = 'jpg');//判断type是否为undefined
const imgPath = `${path}/${i + 1}.${type}`;//拼接本地路径
const writer = fs.createWriteStream(imgPath);
const response = await axios
.get(url, { responseType: 'stream', timeout: 5000 }).catch(err => { });
response.data.pipe(writer);
await new Promise((resolve, reject) => {
writer.on('finish', resolve);
writer.on('error', reject);
});
} catch (error) { }
}
}
module.exports = downloadImg;
值得注意的是需要保证准确获取图片资源的不同后缀。
随机生成人脸
这里可没有人脸算法之类的，调用的是https://thispersondoesnotexist.com/ 站点的接口，此接口每次刷新可生成不同人脸。
axios请求接口后，使用fs的createWriteStream创建可写流，将数据流写入文件中，下面是具体实现方法：
randomFace.js
let fs = require('fs'),
axios = require('axios'),
{ addMsg } = require("../store/index");
//生成随机人脸
async function randomFace(dir, faceNum) {
let com = 'https://thispersondoesnotexist.com';
addMsg(`人脸生成中...`);
let dirStr = `${dir}/randomFace_${Date.now()}`;
fs.mkdir(dirStr, (err) => { })
for (let i = 1; i <= faceNum; i++) {
await axios.get(com, { responseType: 'stream' })
.then((resp) => {
const writer = fs.createWriteStream(`${dirStr}/${i}.jpg`);// 创建可写流
resp.data.pipe(writer);// 将响应的数据流写入文件
writer.on('finish', () => {
//计算下载的百分比
let percent = ((i) / faceNum * 100).toFixed(2);
let msgStr = `${percent}% 人脸生成中... ${dirStr}/${i}.jpg`;
addMsg(msgStr);
if (i == faceNum) {
msgStr = `人脸生成完成，共${faceNum}张。`
addMsg(msgStr);
addMsg('$END');
}
});
writer.on('error', (err) => { addMsg('$END'); });
})
}
}
module.exports = randomFace;
爬取指定页面所有图片
思路同上面获取壁纸类似，只不过这次是获取页面所有的img标签的src。
由于范围扩大到所有页面了，所以需要考虑的情况就会比较多。
有的src中是没有http或者https的，有的src使用的是相对路径，有的可能有中文字符，还有很多我没考虑到的情况。
所以并不能爬取任意页面的所有图片，比如页面加载过慢，或者用了懒加载、防盗链等技术。
下面是我实现的方法：
allWebImg.js
let fs = require('fs'),
cheerio = require('cheerio'),
axios = require('axios'),
downloadImg = require("../utils/downloadImg.js"),
{ addMsg } = require("../store/index");
//网站所有图片
async function allWebImgWorm(dir, com) {
let imgList = [];
addMsg(`${com} 爬取中...`);
let res = await axios.get(com).catch(err => { });
if (!res) {
addMsg('$END');
return
}
let $ = cheerio.load(res.data);//解析页面
//获取到页面所有图片标签组成的列表
$('img').each(async (j, e) => {
let imgUrl = e.attribs.src;//获取图片链接
if (imgUrl) {
!imgUrl.includes('https') && (imgUrl = `https:${imgUrl}`);//判断是否有https,没有则加上
imgList.push(imgUrl);
}
})
let dirStr = `${dir}/allWebImg_${Date.now()}`;
fs.mkdir(dirStr, (err) => { })
downloadImg(imgList, dirStr);//下载图片
}
module.exports = allWebImgWorm;
删除爬取的数据
使用fs.unlinkSync删除文件，fs.rmdirSync删除目录。
需要提前判断文件夹是否存在。
需要遍历文件，判断是否为文件。为文件则删除，否则递归遍历。
下面是我的方法：
deleteFiles.js
let fs = require('fs'),
path = require('path');
//删除文件夹及文件夹下所有文件
const deleteFiles = (directory) => {
if (fs.existsSync(directory)) {
fs.readdirSync(directory).forEach((file) => {
const filePath = path.join(directory, file);
const stat = fs.statSync(filePath);
if (stat.isFile()) {
fs.unlinkSync(filePath);
} else if (stat.isDirectory()) {
deleteFiles(filePath);
}
});
if (fs.readdirSync(directory).length === 0) {
fs.rmdirSync(directory);
}
}
fs.mkdir('./exportData', (err) => { })
};
module.exports = deleteFiles;
定时任务
项目中该功能正在开发中，只放了一个按钮，但思路已有了。
在node中的定时操作可用cron实现。
下面是一个小例子，每隔10秒打印一次1：
const cron = require('cron');
async function startTask() {
let cronJob = new cron.CronJob(
//秒、分、时、天、月、周
//通配符：,（时间点）-（时间域）*（所有值）/（周期性,/之前的0与*等效）?（不确定）
'0/10 * * * * *',
async () => {
console.log(1);
},
null,
true,
'Asia/Shanghai'//时区标识符
);
};
注意事项
Server-Sent Events(SSE)
该项目中前后端数据交互接口大多使用的是get请求，但有一个除外，反显爬取进度的接口：/getTaskState。
该接口使用的是SSE，爬取的进度与链接是实时显示的。
最近火热的ChatGPT的流式输出(像人打字一样一个字一个字的显示)使用的便是这个。
SSE虽然与WebSocket一样都是长链接，但不同的是，WebSocket为双工通信(服务器与客户端双向通信)，SSE为单工通信(只能服务器向客户端单向通信)。
项目中node服务端发送数据是这样的：
// 事件流获取任务状态
app.get('/getTaskState', async (req, res, next) => {
res.writeHead(200, {
'Content-Type': 'text/event-stream',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
});
let sendStr = ''//发送的消息
let id = setInterval(() => {
msgList = getMsg();
//消息列表不为空且最后一条消息不等于上一次发送的消息才能执行
if (msgList.length != 0 && msgList[msgList.length - 1] != sendStr) {
sendStr = msgList[msgList.length - 1];
console.log('\x1B[32m%s\x1B[0m', sendStr)
res.write(`data: ${sendStr}\n\n`);//发送消息
}
}, 10);
req.on('close', () => {
clearMsg();//清空消息
res.end();//结束响应
clearInterval(id);//清除定时器(否则内存泄漏)
});
});
需要在res.writeHead中Content-Type设置为text/event-stream即表示使用SSE发送数据。
res.write('data: test\n\n')即表示发送消息:test，每次发送消息需要以data:开头，\n\n结尾。
使用setInterval控制消息发送频率。
需要在服务端监听何时关闭，使用req.on('close',()=>{})。
监听到关闭时执行响应结束res.end()与清除定时器clearInterval(id)。
在vue客户端接收数据是这样的：
//事件流获取任务状态
const getTaskState = () => {
stateMsg.value = "";
isState.value = true;
let eventSource = new EventSource(origin.value + '/getTaskState');
eventSource.onmessage = (event) => {
if (event.data != '$END') {
stateMsg.value = event.data;
} else {
eventSource.close();//关闭连接(防止浏览器3秒重连)
stateMsg.value = '执行完成！是否打开数据文件夹？';
isState.value = false;
setTimeout(() => {
confirm(stateMsg.value) &&
axios.get(origin.value + '/openDir').then(res => { })//打开数据文件夹
}, 100);
}
};
//处理错误
eventSource.onerror = (err) => {
eventSource.close();//关闭连接
stateMsg.value = ''
isState.value = false;
};
};
直接在方法中new一个EventSource(url)，这是H5中新提出的对象，可用于接收服务器发送的事件流数据。
使用EventSource接收数据，直接在onmessage中获取event.data即可。
关闭连接记得使用eventSource.close()方法，因为服务器单方面关闭连接会触发浏览器3秒重连。
处理错误使用eventSource.onerror方法。
关于关闭SSE连接的时机，这是由node服务端决定的。
我在后端有一个store专门用于存储消息数据：
store/index.js
let msgList = [];//消息列表
function addMsg(msg) {
msgList.push(msg);
}
function getMsg() {
return msgList;
}
function clearMsg() {
//清空msgList中元素
msgList = [];
}
module.exports = {
addMsg,
getMsg,
clearMsg
};
- 在爬取数据时，后端会计算爬取的进度，将生成的消息字符串push到msgList列表中，每隔10ms发送给前端msgList列表中的最后一个元素。
- 当后端数据爬取完成时会向msgList中push存入指定字符串：$END，表示获取完成。
- 当前端识别到获取的消息为$END时，关闭连接。
- 后端监听到前端连接被关闭，则后端也关闭连接。
pkg打包
全局安装pkg时最好网络环境为可访问github的环境，否则你只能手动下载那个失败的包再扔到指定路径。
pkg安装完成后需要在package.json中配置一番(主要是配置assets，将public与需要的依赖包打包进exe中)。
这是我的package.json配置：
{
"name": "worm",
"version": "0.1.3",
"description": "",
"bin": "./index.js",
"scripts": {
"start": "node-dev ./index.js",
"dist": "node pkg-build.js"
},
"pkg": {
"icon": "./public/img/icon.ico",
"assets": [
"public/**/*",
"node_modules/axios/**/*.*",
"node_modules/cheerio/**/*.*",
"node_modules/cron/**/*.*",
"node_modules/express/**/*.*"
]
},
"author": "",
"license": "ISC",
"dependencies": {
"axios": "^0.27.2",
"cheerio": "^1.0.0-rc.12",
"cron": "^2.3.1",
"express": "^4.18.2",
"node-dev": "^8.0.0"
}
}
我的打包命令是通过scripts中的dist在pkg-build.js中引入的，因为我需要将版本号输出在打包出的exe文件名中。
若打包命令直接写在package.json的scripts中会无法读取打包进程中项目的version。
这是我的pkg-build.js：
//只有通过node xxx.js方式执行的命令才能获取到package.json的version
const pkg = require('./package.json'),
{ execSync } = require('child_process');
const outputName = `dist/worm_v${pkg.version}.exe`;//拼接文件路径
const pkgCommand = `pkg . --output=${outputName} --target=win --compress=GZip`;//打包命令
execSync(pkgCommand);//执行打包命令
上面命令中的output表示输出路径(包含exe文件名)，target表示打包的平台，compress表示压缩格式。
需要注意的是使用pkg打包时，项目中axios的版本不能太高。
否则即使你将axios写在pkg的打包配置里也无济于事，我使用的axios版本为0.27.2。
解决跨域
我node使用的是express，直接在header中配置Access-Control-Allow-Origin为* 即可。
app.all('*', (req, res, next) => {
res.header("Access-Control-Allow-Origin", "*");//允许所有来源访问(设置跨域)
res.header("Access-Control-Allow-Headers", "X-Requested-With,Content-Type");//允许访问的响应头
res.header("Access-Control-Allow-Methods", "PUT,POST,GET,DELETE,OPTIONS");//允许访问的方法
res.header("X-Powered-By", ' 3.2.1');//响应头
res.header("Content-Type", "application/json;charset=utf-8");//响应类型
next();
});
child_process模块
众所周知，node是单线程运行的，在主线程中执行大量计算任务时会产生无响应的问题。
但node内置的child_process模块却可以创建新的进程，在新进程中执行操作不会影响到主进程的运行。
在此项目中自动打开浏览器、打开指定文件夹、执行打包命令用的就是它。
// 打开数据文件夹
app.get('/openDir', (req, res) => {
res.send('ok');
//打开文件夹,exe环境下需要使用exe所在目录
let filePath = isPkg ?
`${path.dirname(process.execPath)}${dir.replace('./', '\\')}` :
path.resolve(__dirname, dir);
exec(`start ${filePath}`);
});
//监听端口
app.listen(port, () => {
let url = `http://${ipStr}:${port}`;
isPkg && exec(`start ${url}`);//打包环境下自动打开浏览器
//判断是否存在exportData文件夹，没有则创建
fs.exists(dir, async (exists) => {
!exists && fs.mkdir(dir, (err) => { });
})
console.log(
'\x1B[31m%s\x1B[0m',
`\n
${time} 爬虫服务开启!\n
运行过程中禁止点击此窗口!\n
如需关闭爬虫关闭此窗口即可！\n`
);
});
设置静态资源
前端使用vue开发时，需要将vue.config.js中的publicPath配置设置为./之后再打包。
将vue打包后dist内的文件拷贝到node项目的public目录下。
需要在express设置请求头之前使用static(path.join(__dirname, './public'))设置静态资源：
const app = express();
const isPkg = process.pkg;//判断是否为打包环境
const port = isPkg ? 2222 : 1111;//端口
const ipStr = getLocalIp();//获取本机ip
let time = getFormatTime();//获取格式化时间
let dir = './exportData';
app.use(express.json());//解析json格式
app.use(express.static(path.join(__dirname, './public')));//设置静态资源
app.all('*', (req, res, next) => {
res.header("Access-Control-Allow-Origin", "*");//允许所有来源访问(设置跨域)
res.header("Access-Control-Allow-Headers", "X-Requested-With,Content-Type");//允许访问的响应头
res.header("Access-Control-Allow-Methods", "PUT,POST,GET,DELETE,OPTIONS");//允许访问的方法
res.header("X-Powered-By", ' 3.2.1');//响应头
res.header("Content-Type", "application/json;charset=utf-8");//响应类型
next();
});
关于运行时的黑框
双击exe时，不仅会弹出浏览器用户页面，还会弹出黑框，点击黑框内部还会暂停程序运行。
我有想过使用pm2守护进程干掉黑框，但想到关闭爬虫时只需关闭黑框即可，便留下了黑框。
限制爬取次数
做人，特别是做开发，你得有道德，你把人家网站给玩儿崩了这好吗(′⌒`)？
没有任何东西是无限制的，我的限制是放在前端的(可能不太严谨)，以爬取壁纸为例，调用inputLimit(num)，入参为执行次数，方法是这样的：
//输入限制
const inputLimit = (pageNum) => {
let val = prompt(`输入执行次数(小于等于${pageNum})`, "");
if (val == null || isNaN(val) || parseInt(val) < 1 || parseInt(val) > pageNum) {
return false;
}
return parseInt(val);
};
//彼岸壁纸
const bianWorm = () => {
let val = inputLimit(10);
if (val) {
axios.get(origin.value + '/bianWorm?pageNum=' + val).then(res => { });
getTaskState();
}
};
后端获取到pageNum参数后，以此作为执行爬虫逻辑的循环依据。
结语
这是我第一次用js玩儿爬虫，很多地方可能不太完善，还请大佬们指出，谢谢啦！
此项目仅供学习研究，勿作他用。
