英国人Robert Pitt曾在Github上公布了他的爬虫脚本，导致任何人都可以容易地取得Google Plus的大量公开用户的ID信息。至今大概有2亿2千5百万用户ID遭曝光。
亮点在于，这是个nodejs脚本，非常短，包括注释只有71行。
毫无疑问，nodeJS改变了整个前端开发生态。
本文一步步完成了一个基于promise的nodeJS爬虫程序，收集简书任意指定作者的文章信息。并最终把爬下来结果以邮件的形式，自动发给目标对象。千万不要被nodeJS的外表吓到，即使你是初入前端的小菜鸟，或是刚接触nodeJS不久的新同学，都不妨碍对这篇文章的阅读和理解。
爬虫的所有代码可以在我的Github仓库找到，日后这个爬虫程序还会进行不断升级和更新，欢迎关注。
nodeJS VS Python实现爬虫
我们先从爬虫说起。对比一下，讨论为什么nodeJS适合／不适合作为爬虫编写语言。
首先，总结一下：
NodeJS单线程、事件驱动的特性可以在单台机器上实现极大的吞吐量，非常适合写网络爬虫这种资源密集型的程序。
但是，对于一些复杂场景，需要更加全面的考虑。以下内容总结自知乎相关问题，感谢@知乎网友，对答案的贡献。
-
如果是定向爬取几个页面，做一些简单的页面解析，爬取效率不是核心要求，那么用什么语言差异不大。
-
如果是定向爬取，且主要目标是解析js动态生成的内容 :
此时，页面内容是由js/ajax动态生成的，用普通的请求页面＋解析的方法就不管用了，需要借助一个类似firefox、chrome浏览器的js引擎来对页面的js代码做动态解析。 -
如果爬虫是涉及大规模网站爬取，效率、扩展性、可维护性等是必须考虑的因素时候:
- PHP：对多线程、异步支持较差，不建议采用。
- NodeJS：对一些垂直网站爬取倒可以。但由于分布式爬取、消息通讯等支持较弱，根据自己情况判断。
- Python：建议，对以上问题都有较好支持。
当然，我们今天所实现的是一个简易爬虫，不会对目标网站带来任何压力，也不会对个人隐私造成不好影响。毕竟，他的目的只是熟悉nodeJS环境。适用于新人入门和练手。
同样，任何恶意的爬虫性质是恶劣的，我们应当全力避免影响，共同维护网络环境的健康。
爬虫实例
今天要编写的爬虫目的是爬取简书作者：LucasHC（我本人）在简书平台上，发布过的所有文章信息，包括每篇文章的：
- 发布日期；
- 文章字数；
- 评论数；
- 浏览数、赞赏数；
等等。
最终爬取结果的输出如下：
爬取输出
同时，以上结果，我们需要通过脚本，自动发送邮件到指定邮箱。收件内容如下：
邮件内容
全部操作只需要一键便可完成。
爬虫设计
我们的程序一共依赖三个模块／类库：
const http = require("http");
const Promise = require("promise");
const cheerio = require("cheerio");
发送请求
http是nodeJS的原生模块，自身就可以用来构建服务器，而且http模块是由C++实现的，性能可靠。
我们使用Get，来请求简书作者相关文章的对应页面：
http.get(url, function(res) {
var html = "";
res.on("data", function(data) {
html += data;
});
res.on("end", function() {
...
});
}).on("error", function(e) {
reject(e);
console.log("获取信息出错!");
});
因为我发现，简书中每一篇文章的链接形式如下：
完整形式：“http://www.jianshu.com/p/ab2741f78858”，
即 “http://www.jianshu.com/p/” ＋ “文章id”。
所以，上述代码中相关作者的每篇文章url：由baseUrl和相关文章id拼接组成：
articleIds.forEach(function(item) {
url = baseUrl + item;
});
articleIds自然是存储作者每篇文章id的数组。
最终，我们把每篇文章的html内容存储在html这个变量中。
异步promise封装
由于作者可能存在多篇文章，所以对于每篇文章的获取和解析我们应该异步进行。这里我使用了promise封装上述代码：
function getPageAsync (url) {
return new Promise(function(resolve, reject){
http.get(url, function(res) {
...
}).on("error", function(e) {
reject(e);
console.log("获取信息出错!");
});
});
};
这样一来，比如我写过14篇原创文章。那么对每一片文章的请求和处理全都是一个promise对象。我们存储在预先定义好的数组当中：
const articlePromiseArray = [];
接下来，我使用了Promise.all方法进行处理。
Promise.all方法用于将多个Promise实例，包装成一个新的Promise实例。
该方法接受一个promise实例数组作为参数，实例数组中所有实例的状态都变成Resolved，Promise.all返回的实例才会变成Resolved，并将Promise实例数组的所有返回值组成一个数组，传递给回调函数。
也就是说，我的14篇文章的请求对应14个promise实例，这些实例都请求完毕后，执行以下逻辑：
Promise.all(articlePromiseArray).then(function onFulfilled (pages) {
pages.forEach(function(html) {
let info = filterArticles(html);
printInfo(info);
});
}, function onRejected (e) {
console.log(e);
});
他的目的在于：对每一个返回值（这个返回值为单篇文章的html内容），进行filterArticles方法处理。处理所得结果进行printInfo方法输出。
接下来，我们看看filterArticles方法做了什么。
html解析
其实很明显，如果您理解了上文的话。filterArticles方法就是对单篇文章的html内容进行有价值的信息提取。这里有价值的信息包括：
1）文章标题；
2）文章发表时间；
3）文章字数；
4）文章浏览量；
5）文章评论数；
6）文章赞赏数。
function filterArticles (html) {
let $ = cheerio.load(html);
let title = $(".article .title").text();
let publishTime = $('.publish-time').text();
let textNum = $('.wordage').text().split(' ')[1];
let views = $('.views-count').text().split('阅读')[1];
let commentsNum = $('.comments-count').text();
let likeNum = $('.likes-count').text();
let articleData = {
title: title,
publishTime: publishTime,
textNum: textNum
views: views,
commentsNum: commentsNum,
likeNum: likeNum
};
return articleData;
};
你也许会奇怪，为什么我能使用类似jQuery中的$对html信息进行操作。其实这归功于cheerio类库。
filterArticles方法返回了每篇文章我们感兴趣的内容。这些内容存储在articleData对象当中，最终由printInfo进行输出。
邮件自动发送
到此，爬虫的设计与实现到了一段落。接下来，就是把我们爬取的内容以邮件方式进行发送。
这里我使用了nodemailer模块进行发送邮件。相关逻辑放在Promise.all当中：
Promise.all(articlePromiseArray).then(function onFulfilled (pages) {
let mailContent = '';
var transporter = nodemailer.createTransport({
host : 'smtp.sina.com',
secureConnection: true, // 使用SSL方式（安全方式，防止被窃取信息）
auth : {
user : '**@sina.com',
pass : ***
},
});
var mailOptions = {
// ...
};
transporter.sendMail(mailOptions, function(error, info){
if (error) {
console.log(error);
}
else {
console.log('Message sent: ' + info.response);
}
});
}, function onRejected (e) {
console.log(e);
});
邮件服务的相关配置内容我已经进行了适当隐藏。读者可以自行配置。
总结
本文，我们一步一步实现了一个爬虫程序。涉及到的知识点主要有：nodeJS基本模块用法、promise概念等。如果拓展下去，我们还可以做nodeJS连接数据库，把爬取内容存在数据库当中。当然也可以使用node-schedule进行定时脚本控制。当然，目前这个爬虫目的在于入门，实现还相对简易，目标源并不是大型数据。
全部内容只涉及nodeJS的冰山一角，希望大家一起探索。如果你对完整代码感兴趣，请点击这里。
Happy Coding!
网友评论