边做边学效率更高,爬虫是node的适用场景之一,关于爬虫的另一篇文章node爬虫进阶之——登录
为了验证“经验总结、资料归集类技术文章更容易上热榜”的猜想,可以做一个爬虫:爬取简书程序员专题热门文章前999篇,统计每篇文章的代码块数量(为什么是统计代码块数量,对于人来说,通过一篇文章的标题内容来判断文章的类型是一件轻而易举的事,然而对于计算机来说,这却是一件困难的事情,这已经属于人工智能的范畴了。然而获取文章的代码块数量对于计算机来说就容易得多了,可以认为,代码块为0或者较少的文章,属于经验类文章,代码块数量较多的文章如果不是资料归集的话,多半就属于谈源码实现的了)
目录
<h2 id='1'>知识点</h2>
- http.request:node http模块的request方法可以作为http client向服务器发起http请求,爬虫需要向目标链接发起http请求来获得页面信息
- cheerio:通过http请求到的页面信息,由于缺乏浏览器的dom解析,看起来就是一段凌乱的字符串,实在糟糕。好在我们可以使用cheerio库将其解析为dom,这样我们就可以使用类似jquery的语法去分析页面信息
- promise:由于node单线程的特性,不可避免的需要用到大量异步编程的写法,层层嵌套的回调写法已经low了,来试试promise的写法
<h2 id='2'>实现步骤</h2>
<h3 id='2.1'>拉取页面列表</h3>
首先需要拿到程序员专题热门列表的请求链接
ajax请求,需要使用chrome dev tools,拉到底部还能加载更多:
//order_by=likes_count 表示按照热门进行排序
//page是分页参数,每页9条,我们可以通过改变page=0~100来拉取900篇文章
http://www.jianshu.com/collections/16/notes?order_by=likes_count&page=2
下一步通过这个链接拉取列表数据
/**
- 创建promise
*/
Seek.prototype.createPromise = function(i) {
var options = {
url: 'http://www.jianshu.com/collections/16/notes?order_by=likes_count&page=' + i,
type: 'get'
}
return new Promise(function(resolve, reject) {
options.callback = function(data, _setCookie) {
resolve(data);
}
request(options, null);
});
}
可以创建一个promise对象来发起request请求(request的封装就不贴出来了,实验证明,代码块太多的文章不容易上热榜~~)
起初我的做法是同时创建拉取1~100页数据的100个promise对象,同时异步的发起100个request请求,然而这样的做法会有几十个请求请求失败(兴许是简书那边做了限制),所以,还是耐心点,每次发起5个请求,直到100页都请求成功
/**
* 递归的请求,每次并发的请求5个
*/
Seek.prototype.seek = function(callback) {
var self = this;
times++;
var ot = times;
var promise = Promise.all([
self.createPromise(times),
self.createPromise(++times),
self.createPromise(++times),
self.createPromise(++times),
self.createPromise(++times)
]);
promise.then(function(result) {
console.log("seekList totals:" + times);
pages = pages.concat(result);
if (times < totalPage) {
self.seek(callback);
} else {
callback(pages);
}
});
}
拿到所有的列表数据之后,就可以使用cheerio库来分析列表页面,抓取文章详情链接(在这一步之前你同样需要使用chrome dev tools工具分析页面结构)
/**
* 使用cheerio载入列表页面
*/
Analyse.prototype.load = function(data, i) {
return new Promise(function(resolve, reject) {
var $ = cheerio.load(data);
var pages = [];
var els = $('.article-list li');
if(els.length === 0) {
console.warn('load error page:' + i );
resolve([]);
}
els.each(function(index) {
if ($(this).attr('class') === 'have-img') {
pages.push($(this).children('a').attr('href'));
} else {
pages.push($(this).children('div').children('.title').children('a').attr('href'));
}
if(index === els.length - 1) {
resolve(pages);
}
});
});
}
<h3 id='2.2'>拉取页面详情,分析统计</h3>
从上一步中拿到900篇热门文章的地址之后,需要再次去抓取文章详情页面,同样的每次查5篇,使用chrome dev tools分析得知,简书文章的代码块使用的都是<code></code>
标签,统计此标签出现的数量就可以了
/**
* 创建promise
*/
Seek.prototype.createPromise = function(url) {
var options = {
url: 'http://www.jianshu.com' + url,
type: 'get'
}
return new Promise(function(resolve, reject) {
options.callback = function(data, _setCookie) {
var $ = cheerio.load(data);
//页面标题
var title = $('h1.title').text();
//代码块数量
var codes = $('code').length;
if(codes === 0) {//代码块为0的总数
zeroCount++;
} else if(codes <= 10) {//代码块为<=10的总数
oneToTen++;
} else if(codes <= 20) {//代码块<=20的总数
elToTwo++;
} else {//代码块>20的总数
beyondTwo++;
}
resolve({
title: title,
codes: codes
});
}
request(options, null);
});
}
<h3 id='2.3'>生成统计页面</h3>
数据总需要一个展示的地方,使用nunjucks作为页面模板,注入抓取到的数据,在使用echarts生成统计图表,就是这个feel,结果页面
<h3 id='3'>总结</h3>
开发爬虫是一件很酷的事情,在这个过程中还能学到知识,提升学习兴趣,从爬虫做起~~
源码
欢迎留言讨论,如果对您有帮助,请留个赞~~
更多精彩,请关注:
网友评论