基于Nodejs的爬虫框架Tai-Spider

鼎鼎大名的Scrapy是基于Python的爬虫框架，Tai-Spider就是基于Nodejs的Scrapy，下面我们就来看看这个框架有哪些能力吧。

官方提供了爬虫示例项目 tai-spider-example。

安装

直接使用 npm 或者 yarn 安装即可

npm install tai-spider

或者

yarn add tai-spider

编写第一个爬虫

官方示例采用了和Scrapy一样的例子，即在spider目录下创建quotes.js，该爬虫继承了TaiSpider，其代码如下所示：

'use strict'

const { TaiSpider, ItemLoader } = require('tai-spider');

class QuotesSpider extends TaiSpider {

    constructor(options = {}) {
        super(options);
        this.name = 'quotes';
        this.debug = true;
        this.start_urls = [
            'https://quotes.toscrape.com/page/1/',
        ];
    }

    *parse(response) {
        for (let ele of response.css('div.quote')) {
            yield {
                'text': response.css('span.text', ele).text(),
            };
        }
    }
}

module.exports = QuotesSpider;

在这个例子里 QuotesSpider 作为 TaiSpider 的子类，定义并实现了一些属性和方法：

• name：用于标识spider，它在项目中必须是唯一的，也就是说，不能为不同的spider设置相同的名称。

• start_urls：起始urls，后续请求将从这些初始请求连续生成。

• parse()：该方法将被调用来处理每个请求下载的响应，response参数是Response类的一个实例，它提供了一些便利的方法来处理页面元素。parse方法通常用于解析响应，将抓取的数据提取为json对象、查找要跟踪的新URL，并从中创建新请求。

运行Spider

为了运行刚刚编写好的spider，你需要进入项目的顶层目录，并执行如下命令：

taispider run quotes

这个命令将运行我们刚刚编写的名为 quotes 的爬虫，它将向 quotes.toscrape.com 发送一些请求，我们可以得到类似下面的输出：

run spider: quotes
start url: https://quotes.toscrape.com/page/1/
[2021-11-06T09:31:44.570] [DEBUG] taispider - seenreq is initialized.
[2021-11-06T09:31:46.991] [DEBUG] taispider - connect to a new https://quotes.toscrape.com
[2021-11-06T09:31:48.027] [DEBUG] taispider - Http2 session https://quotes.toscrape.com connection init
[2021-11-06T09:31:48.675] [DEBUG] taispider - https://quotes.toscrape.com/page/1/ stream ends
[2021-11-06T09:31:48.676] [DEBUG] taispider - Got https://quotes.toscrape.com/page/1/ (11053 bytes)...
[2021-11-06T09:31:48.694] [DEBUG] taispider - Queue size: 0

在 parse 方法中你可以通过css表达式来对HTML元素进行选取，具体的css表达式规则可以参考 cheerio.

你也可以将抓取到的数据保存到文件中而不是打印到屏幕上，你只需要加上如下的命令行参数即可：

taispider run quotes -o result.jl

递归抓取页面中的链接

parse() 方法不仅用于抓取页面中的数据，还可以获取下一步抓取的链接。可以使用 follow 或者 follow_all 生成新的抓取请求，同时还允许你为这个请求指定新的回调处理函数。

在下面这个例子中，就创建了一个名为 parseAuthor 的新方法来处理新的author页面：

'use strict'

const { TaiSpider, ItemLoader } = require('tai-spider');

class QuotesSpider extends TaiSpider {

    constructor(options = {}) {
        super(options);
        this.name = 'quotes';
        this.debug = true;
        this.start_urls = [
            'https://quotes.toscrape.com/page/1/',
        ];
    }

    *parse(response) {
        for (let ele of response.css('div.quote')) {
            yield {
                'text': response.css('span.text', ele).text(),
            };
            yield* response.follow_all(response.css('span a', ele), this.parseAuthor);
        }
    }

    *parseAuthor(response) {
        const extract_with_css = (query) => {
            return _.trim(response.css(query).text());
        }

        yield {
            'name': extract_with_css('h3.author-title'),
            'birthdate': extract_with_css('.author-born-date'),
            'bio': extract_with_css('.author-description'),
        }
    }

}

module.exports = QuotesSpider;

使用model

在parse方法中除了可以直接使用json对象，也可以使用 ItemLoader 来简化数据的抽取，通过预先定义好model，你就可以简单地仅使用 load_item 方法就可以完成数据的抽取。

    *parseAuthor(response) {
        const loader = new ItemLoader(response, require('../model/author'));
        yield loader.load_item();
    }

model/author.js

const Item = require('tai-spider').Item;

module.exports = new Item({
    name: 'h3.author-title',
    birthdate: {
        value: '.author-born-date',
        type: 'date',
    },
    bio: '.author-description',
});

下载图片文件

有时我们需要下载大量的图片文件，使用 TaiSpider 框架，可以仅仅通过设置几个简单的属性就可以完成图片文件的下载。

• IMAGES_STORE 用于指定输出路径
• Image 对象用于指定输出图片的属性，包括 url, type, filename 和 body

如果没有给出 filename 属性，框架会自动根据 url 生成MD5值来作为文件名。

'use strict'

const { TaiSpider } = require('tai-spider');
const { Image } = require('tai-spider').types;

class ImageSpider extends TaiSpider {

    constructor(options = {}) {
        super(options);
        this.name = 'image';
        this.debug = true;
        this.start_urls = [
            'https://www.mmonly.cc/gxtp/',
        ];
        this.envs['ECHO'] = false;
        this.envs['IMAGES_STORE'] = 'output';
    }

    *parse(response) {
        for (let ele of response.css('div.item')) {
            let imageEle = response.css('img', ele)[0];
            yield response.follow(imageEle.attribs['src'], this.parseImage, { filename: imageEle.attribs['alt'] + '.jpg' });
        }
    }

    *parseImage(response) {
        yield new Image({
            url: response.options.uri,
            type: 'jpg',
            filename: response.options.filename,
            body: response.body,
        });
    }
}

module.exports = ImageSpider;

执行上述爬虫，你就可以在 output 目录下得到所有下载的图片文件。

这么好的爬虫框架，赶紧开始用起来吧，Github地址在这里: Tai-Spider