Nodejs爬虫（定时爬取）
l 前言
Node.js是一个Javascript运行环境(runtime)。实际上它是对Google V8引擎进行了封装。V8引 擎执行Javascript的速度非常快，性能非常好。Node.js对一些特殊用例进行了优化，提供了替代的API，使得V8在非浏览器环境下运行得更好。
Node.js是一个基于Chrome JavaScript运行时建立的平台， 用于方便地搭建响应速度快、易于扩展的网络应用。Node.js使用事件驱动， 非阻塞I/O 模型而得以轻量和高效，非常适合在分布式设备上运行数据密集型的实时应用。
l 使用NodeJs写网页爬虫的优势
大家都知道，我们要写一个网页爬虫，爬取网页上的信息，实际上就是将目标网站的页面html下载下来，然后通过各种方式（如正则表达式）获取我们想要的信息并保存起来。从这点看来，使用Nodejs来写网页爬虫便有着相当大的优势。
n Nodejs采用了Javascript的语法规则，是前端开发人员能够很容易上手
n Nodejs写爬虫可以避免写一大堆正则表达式去匹配元素，我们可以用jquery的语法直接获取dom对象，方便快捷，可读性强。
n Nodejs解决了Javascript无法直接操作系统文件的短板，让我们可以轻松操作系统中文件。
l NodeJs写网页爬虫需要准备的环境
1．首先，如果你的电脑没有安装nodejs,那么，你需要到nodejs的官网中下载一个nodejs安装包并安装（安装过程跟普通程序无异，这里就不再赘述）。
Nodejs的官方网址为：
2．安装好NodeJs之后，我们就可以在我们的项目空间中创建我们的项目目录，并通过npm命令对项目进行初始化，并安装以下插件（具体安装过程不再赘述，大家可百度一下npm安装插件的方法）。
| "bufferhelper":"^0.2.1", |
3．然后，我们可以全局安装一下express模块，命令如下：
| npm install -g express-generator 或 cnpm install -g express-generator |
4．安装好express模块之后呢，我们就可以通过express创建一个新的爬虫项目啦，具体命令如下：
| express spider |
命令执行完后我们就可以看到这样的一个项目啦：
项目构建好之后，我们还要为项目安装依赖，命令如下：
| npm install |
做完上面的步骤，我们的环境就算是搭建好了，接下来，我们就来看一下我们的爬虫系统涉及到了那些模块。
1) 文件系统（./module/File.js）
/**
* 常用文件操作模块
* Created by 汤文辉 on 2016-08-02.
*/
var fs = require('fs'),//文件操作
mkdirp = require("mkdirp");//目录操作
var File= function(options) {
this.path= options.path|| "";
this.filename= options.filename|| "";
this.encoding= options.encoding|| "UTF-8";
};
/**
* 修改文件内容并保存
* @paramcontent 文件内容
* @parambAppend 是否追加模式
* @paramencoding 文件编码，默认为UTF-8
*/
File.prototype.save= function(content,bAppend,encoding) {
varself = this;
varbuffer = newBuffer(content,encoding || self.encoding);
vardoFs =function () {
fs.open(self.path+self.filename,bAppend ? 'a': 'w',"0666",function (err,fd) {
if(err) {
throwerr;
}
varcb2 =function (err) {
if(err){
throwerr;
}
fs.close(fd,function(err){
if(err){
throwerr;
}
console.log('文件成功关闭...');
})
};
fs.write(fd,buffer,0,buffer.length,0,cb2);
});
};
fs.exists(self.path,function (exists) {
if(!exists) {
self.mkdir(self.path,"0666",function () {
doFs();
});
}else {
doFs();
}
});
};
/**
* 递归创建目录
* @parampath 目录路径
* @parammode 模式 默认使用 0666
* @paramfn 回调
* @paramprefix 父级菜单
*/
File.prototype.mkdir= function(path,mode,fn,prefix) {
sPath = path.replace(/\\+/g,'/');
varaPath = sPath.split('/');
prefix = prefix ||'';
varsPath = prefix + aPath.shift();
varself = this;
varcb =function () {
fs.mkdir(sPath,mode,function (err) {
if((!err) || ( ([47,-4075]).indexOf(err["errno"]) > -1 )) {//创建成功或者目录已存在
if(aPath.length> 0) {
self.mkdir(aPath.join('/'),mode,fn,sPath.replace(/\/$/,'') +'/');
}else {
fn();
}
} else{
console.log(err);
console.log('创建目录:'+ sPath + '失败');
}
});
};
fs.exists(sPath,function (exists) {
if(!exists) {
cb();
}else if (aPath.length> 0) {
self.mkdir(aPath.join('/'),mode,fn,sPath.replace(/\/$/,'') +'/');
}else {
fn();
}
});
};
module.exports= File;
2) URL系统(./module/URL.js)
/**
* URL处理类
* Created by 汤文辉 on 2016-08-02.
*/
var urlUtil = require("url");
var pathUtil = require("path");
var URL= function(){
};
/**
* @desc获取URL地址 路径部分 不包含域名以及QUERYSTRING
*
* @paramstring url
*
* @returnstring
*/
URL.getUrlPath= function(url){
if(!url){
return'';
}
varoUrl = urlUtil.parse(url);
if(oUrl["pathname"] && (/\/$/).test(oUrl["pathname"])){
oUrl["pathname"] +="index.html";
}
if(oUrl["pathname"]){
returnoUrl["pathname"].replace(/^\/+/,'');
}
return'';
};
/**
* @desc判断是否是合法的URL地址一部分
*
* @paramstring urlPart
*
* @returnboolean
*/
URL.isValidPart= function(urlPart){
if(!urlPart){
return false;
}
if(urlPart.indexOf("javascript") > -1){
return false;
}
if(urlPart.indexOf("mailto") > -1){
return false;
}
if(urlPart.charAt(0) === '#'){
return false;
}
if(urlPart ==='/'){
return false;
}
if(urlPart.substring(0,4) === "data"){//base64编码图片
return false;
}
return true;
};
/**
* @desc修正被访问地址分析出来的URL 返回合法完整的URL地址
*
* @paramstring url 访问地址
* @paramstring url2 被访问地址分析出来的URL
*
* @returnstring || boolean
*/
URL.prototype.fix= function(url,url2){
if(!url || !url2){
return false;
}
varoUrl = urlUtil.parse(url);
if(!oUrl["protocol"] || !oUrl["host"] || !oUrl["pathname"]){//无效的访问地址
return false;
}
if(url2.substring(0,2) === "//"){
url2 = oUrl["protocol"]+url2;
}
varoUrl2 = urlUtil.parse(url2);
if(oUrl2["host"]){
if(oUrl2["hash"]){
deleteoUrl2["hash"];
}
returnurlUtil.format(oUrl2);
}
varpathname = oUrl["pathname"];
if(pathname.indexOf('/') > -1){
pathname = pathname.substring(0,pathname.lastIndexOf('/'));
}
if(url2.charAt(0) === '/'){
pathname = '';
}
url2 = pathUtil.normalize(url2);//修正 ./ 和 ../
url2 = url2.replace(/\\/g,'/');
while(url2.indexOf("../") > -1){//修正以../开头的路径
pathname = pathUtil.dirname(pathname);
url2 = url2.substring(3);
}
if(url2.indexOf('#') > -1){
url2 = url2.substring(0,url2.lastIndexOf('#'));
}else if(url2.indexOf('?') > -1){
url2 = url2.substring(0,url2.lastIndexOf('?'));
}
varoTmp = {
"protocol": oUrl["protocol"],
"host": oUrl["host"],
"pathname": pathname +'/' + url2
};
returnurlUtil.format(oTmp);
};
module.exports= URL;
3) Robot系统（即爬虫系统主体）
/**
* 网页爬虫
* Created by 汤文辉 on 2016-08-02.
*/
var File = require("./File.js");
var URL = require("./URL.js");
var http = require("http");
var https = require("https");
var cheerio = require('cheerio');
var iconv = require('iconv-lite');
var BufferHelper = require("bufferhelper");
var request = require('request');
var oResult = {
aNewURLQueue: [],//尚未执行爬取任务的队列
aOldURLQueue: [],//已完成爬取任务的队列
aTargetURLList: [],//目标对象URL集合
oTargetInfoList: {},//目标对象集合
oRetryCount:{},//失败重试记录
iCount:0,//爬取url总数
iSuccessNum:0//爬取成功数
};
/**
* 爬虫程序主体
* @paramoptions
* @constructor
*/
var Robot= function(options) {
varself = this;
this.domain= options.domain|| "";//需要爬取网站的域名
this.firstUrl= options.firstUrl|| "";//需要爬取网站的url
this.id= this.constructor.create();//唯一标识符
this.encoding= options.encoding|| "UTF-8";//页面编码
this.outputPath= options.outputPath|| "";//爬取内容存放路径
this.outputFileName= options.outputFileName|| "result.txt";//结果保存文件名
this.timeout= options.timeout|| 5000;//超时时间
this.retryNum= options.retryNum|| 5;//失败重试次数
this.robots= options.robots|| true;//是否读取robots.txt文件
this.debug= options.debug|| false;//是否开启调试模式
this.file= newFile({
path:this.outputPath,
filename:this.outputFileName
});
oResult.aNewURLQueue.push(this.firstUrl);//将第一个url添加进队列之中
this.handlerComplete= options.handlerComplete|| function(){//队列中所有的url均抓取完毕时执行回调
console.log("抓取结束...");
varstr = "",i=0,len=oResult.aTargetURLList.length;
for(i=0;i<len;i++){
url = oResult.aTargetURLList[i];
str+="（"+oResult.oTargetInfoList[url].name+"） : "+url+"\n"
}
this.file.save(str,true);
this.file.save("\n抓取完成...\n",true);
};
this.disAllowArr= [];//不允许爬取路径
varrobotsURL = this.firstUrl+"robots.txt";
request(robotsURL,function(error,response,body){
if(!error && response.statusCode== 200) {
this.disAllowArr= self.parseRobots(body);
}
});
};
//默认唯一标识
Robot.id= 1;
/**
* 累加唯一标识
* @returns{number}
*/
Robot.create= function() {
return this.id++;
};
/**
* 解析robots.txt
* @paramstr
* @returns{Array}
*/
Robot.prototype.parseRobots= function(str){
varline = str.split("\r\n");
vari= 0,len=line.length,arr = [];
for(i=0;i<len;i++){
if(line[i].indexOf("Disallow:")!=-1){
arr.push(line[i].split(":")[1].trim())
}
}
returnarr;
};
/**
* 判断当前路径是否允许爬取
* @paramurl
* @returns{boolean}
*/
Robot.prototype.isAllow= function(url){
vari= 0,len=this.disAllowArr.length;
for(i=0;i<len;i++){
if(url.toLowerCase().indexOf(this.disAllowArr[i].toLowerCase())!=-1){
return false;
}
}
return true;
};
/**
* 开启爬虫任务
*/
Robot.prototype.go= function(callback) {
varurl = "";
if(oResult.aNewURLQueue.length>0){
url = oResult.aNewURLQueue.pop();
if(this.robots&&this.isAllow(url)){
this.send(url,callback);
oResult.iCount++;
oResult.aOldURLQueue.push(url);
}else{
console.log("禁止爬取页面："+url);
}
}else{
this.handlerComplete.call(this,oResult,this.file);
}
};
/**
* 发送请求
* @paramurl 请求链接
* @paramcallback 请求网页成功回调
*/
Robot.prototype.send= function(url,callback){
varself = this;
vartimeoutEvent;//由于nodejs不支持timeout,所以，需要自己手动实现
varreq = '';
if(url.indexOf("https") > -1){
req = https.request(url);
}else {
req = http.request(url);
}
timeoutEvent = setTimeout(function() {
req.emit("timeout");
},this.timeout);
req.on('response',function(res){
varaType = self.getResourceType(res.headers["content-type"]);
varbufferHelper = newBufferHelper();
if(aType[2] !== "binary"){
} else{
res.setEncoding("binary");
}
res.on('data',function(chunk){
bufferHelper.concat(chunk);
});
res.on('end',function(){//获取数据结束
clearTimeout(timeoutEvent);
self.debug&& console.log("\n抓取URL:"+url+"成功\n");
//将拉取的数据进行转码，具体编码跟需爬去数据的目标网站一致
data= iconv.decode(bufferHelper.toBuffer(),self.encoding);
//触发成功回调
self.handlerSuccess(data,aType,url,callback);
//回收变量
data= null;
});
res.on('error',function(){
clearTimeout(timeoutEvent);
self.handlerFailure(url);
self.debug&& console.log("服务器端响应失败URL:"+url+"\n");
});
}).on('error',function(err){
clearTimeout(timeoutEvent);
self.handlerFailure(url);
self.debug&& console.log("\n抓取URL:"+url+"失败\n");
}).on('finish',function(){//调用END方法之后触发
self.debug&& console.log("\n开始抓取URL:"+url+"\n");
});
req.on("timeout",function() {
//对访问超时的资源，进行指定次数的重新抓取，当抓取次数达到预定次数后将不在抓取改url下的数据
if(oResult.oRetryCount[url]==undefined){
oResult.oRetryCount[url] =0;
}else if(oResult.oRetryCount[url]!=undefined&&oResult.oRetryCount[url]<self.retryNum){
oResult.oRetryCount[url]++;
console.log("请求超时，调度到队列最后...");
oResult.aNewURLQueue.unshift(url);
}
if(req.res) {
req.res.emit("abort");
}
req.abort();
});
req.end();//发起请求
};
/**
* 修改初始化数据，须在调用go方法前使用方能生效
* @paramoptions
*/
Robot.prototype.setOpt= function(options){
this.domain= options.domain|| this.domain||"";//需要爬取网站的域名
this.firstUrl= options.firstUrl|| this.firstUrl|| "";//需要爬取网站的url
this.id= this.constructor.create();//唯一标识符
this.encoding= options.encoding|| this.encoding|| "UTF-8";//页面编码
this.outputPath= options.outputPath|| this.outputPath|| "";//爬取内容存放路径
this.outputFileName= options.outputFileName|| this.outputFileName|| "result.txt";//结果保存文件名
this.timeout= options.timeout|| this.timeout|| 5000;//超时时间
this.retryNum= options.retryNum|| this.retryNum|| 5;//失败重试次数
this.robots= options.robots|| this.robots|| true;//是否读取robots.txt文件
this.debug= options.debug|| this.debug|| false;//是否开启调试模式
this.file= newFile({
path:this.outputPath,
filename:this.outputFileName
});
oResult.aNewURLQueue.push(this.firstUrl);//将第一个url添加进队列之中
this.handlerComplete= options.handlerComplete|| this.handlerComplete|| function(){
console.log("抓取结束...");
varstr = "",i=0,len=oResult.aTargetURLList.length;
for(i=0;i<len;i++){
url = oResult.aTargetURLList[i];
str+="（"+oResult.oTargetInfoList[url].name+"） : "+url+"\n"
}
this.file.save(str,true);
this.file.save("\n抓取完成...\n",true);
};
};
/**
* 数据拉取成功回调
* @paramdata 拉取回来的数据
* @paramaType 数据类型
* @paramurl 访问链接
* @paramcallback 用户给定访问成功回调，抛出给用户做一些处理
*/
Robot.prototype.handlerSuccess= function(data,aType,url,callback){
if(callback){
var$ = cheerio.load(data);
callback.call(this,$,aType,url,oResult.aNewURLQueue,oResult.aTargetURLList,oResult.oTargetInfoList);
oResult.iSuccessNum++;
this.go(callback);
}else{
this.go();
}
};
/**
* 失败后继续执行其他爬取任务
* @paramurl
*/
Robot.prototype.handlerFailure= function(url){
//oResult.aNewURLQueue.indexOf(url)==-1&&oResult.aNewURLQueue.unshift(url);
this.go();
};
/**
* @desc判断请求资源类型
*
* @paramstring Content-Type头内容
*
* @return[大分类,小分类,编码类型] ["image","png","utf8"]
*/
Robot.prototype.getResourceType= function(type){
if(!type){
return'';
}
varaType = type.split('/');
aType.forEach(function(s,i,a){
a[i] = s.toLowerCase();
});
if(aType[1] && (aType[1].indexOf(';') > -1)){
varaTmp = aType[1].split(';');
aType[1] = aTmp[0];
for(vari = 1;i < aTmp.length;i++){
if(aTmp[i] && (aTmp[i].indexOf("charset") > -1)){
aTmp2= aTmp[i].split('=');
aType[2] =aTmp2[1] ?aTmp2[1].replace(/^\s+|\s+$/,'').replace('-','').toLowerCase() : '';
}
}
}
if((["image"]).indexOf(aType[0]) > -1){
aType[2] ="binary";
}
returnaType;
};
module.exports= Robot;
上面的功能都实现后，我们就可以开始来使用我们的爬虫系统了，首先，在app.js中调用我们的Robot模块
/**
* Created by 汤文辉 on 2016-08-03.
*/
var express = require("express");
var Robot = require("./module/robot.js");
var schedule = require("node-schedule");
function getTime(){
vardate = newDate();
vary = date.getFullYear();
varm = date.getMonth()+1;
vard = date.getDate();
varh = date.getHours();
varmi = date.getMinutes();
vars = date.getSeconds();
m = m<10?"0"+m:m;
d = d<10?"0"+d:d;
h = h<10?"0"+h:h;
mi = mi<10?"0"+mi:mi;
s = s<10?"0"+s:s;
returny+"_"+m+"_"+d+"_"+h+"_"+mi+"_"+s;
}
var options = {
domain:"dytt8.net",
firstUrl:"http://www.dytt8.net/",
outputPath:"./output/testRobot/",
outputFileName:"test.txt",
encoding:"GBK",
timeout:6000,
robots:true,
debug:true,
handlerComplete:function(oResult,file){
console.log("抓取结束...");
file.save("\n抓取完成...\n总共访问网页数为"+oResult.iCount+"条，其中成功访问网页数"+oResult.iSuccessNum+"条",true);
}
};
var robot =new Robot(options);
var reg1 =/\/html\/[a-z0-9]+\/[a-z0-9]+\/[\d]+\/[\d]+\.html/gmi;
var reg2 =/\/html\/[a-z0-9]+\/index\.html/gmi;
//var reg3 = /(ftp|http):\/\/.+\.(rmvb|mp4|avi|flv|mkv|3gp|wmv|wav|mpg|mov)/gmi;
function start(){
robot.go(function($,aType,url,aNewURLQueue,aTargetURLList,oTargetInfoList){
varself = this;
varpUrl = url;
if(url===options.firstUrl){
varaA = $("a");
aA.each(function(){
varhref = $(this).attr('href');
if(href.indexOf("http://")==-1){
href = options.firstUrl+href.substring(1);
}
varres = reg1.exec(href);
if(res){
aNewURLQueue.indexOf(href)==-1&&aNewURLQueue.push(href);
}
});
}else{
$('a').each(function(){
varhref = $(this).attr('href');
varres2 = reg2.exec(href);
console.log("页面["+pUrl+"]二级页面：【"+ href + "】");
if(href.indexOf("thunder://")!=-1){
varurl = $(this).text().trim();
console.log("\n目标链接【"+$("h1").text().trim()+"】："+url+"\n");
varname = $("h1").text().trim();
if(aTargetURLList.indexOf(url)){
aTargetURLList.push(url);
oTargetInfoList[url] = {
name:name
};
}
self.file.save(url+"\n",true);
}else if(href.indexOf("ftp://")!=-1){
varurl = $(this).attr("href");
console.log("\n目标链接【"+$("h1").text().trim()+"】："+url+"\n");
varname = $("h1").text().trim();
if(aTargetURLList.indexOf(url)){
aTargetURLList.push(url);
oTargetInfoList[url] = {
name:name
};
}
self.file.save(url+"\n",true);
}else if(res2){
if(href.indexOf("http://")==-1){
href = options.firstUrl+href.substring(1);
}
varres = reg1.exec(href);
if(res){
aNewURLQueue.indexOf(href)==-1&&aNewURLQueue.push(href);
}
}
});
}
});
}
var rule =new schedule.RecurrenceRule();
rule.dayOfWeek= [0,new schedule.Range(1,6)];
rule.hour= 19;
rule.minute= 45;
console.log("定时爬取任务，下次爬取时间为"+rule.hour+"时"+rule.minute+"分");
var j = schedule.scheduleJob(rule,function(){
robot.setOpt({
outputFileName:getTime()+"-"+"电影天堂.txt"
});
console.log("开始定时爬取任务...");
start();
});
然后，我们在命令行中输入
| node app.js |
运行即可，爬虫将会在星期一~星期天的晚上19：45分定时爬取电影天堂电影下载链接，并输出到output目录中