利用node.js爬取指定排名網(wǎng)站的JS引用庫詳解

更新時間：2017年07月25日 11:45:12 作者：窗里窗外

最近在學(xué)習(xí)node.js爬蟲，由于 nodejs 強大的異步特性，讓我們可以輕松以異步高并發(fā)去爬取網(wǎng)站，下面這篇文章主要給大家介紹了關(guān)于利用node.js爬取指定排名網(wǎng)站的JS引用庫的相關(guān)資料，需要的朋友可以參考下。

前言

本文給大家介紹的爬蟲將從網(wǎng)站爬取排名前幾的網(wǎng)站，具體前幾名可以具體設(shè)置，并分別爬取他們的主頁，檢查是否引用特定庫。下面話不多說了，來一起看看詳細(xì)的介紹：

所用到的node主要模塊

express 不用多說
request http模塊
cheerio 運行在服務(wù)器端的jQuery
node-inspector node調(diào)試模塊
node-dev 修改文件后自動重啟app

關(guān)于調(diào)試Node

在任意一個文件夾，執(zhí)行node-inspector，通過打開特定頁面，在頁面上進(jìn)行調(diào)試，然后運行app，使用node-dev app.js來自動重啟應(yīng)用。

所碰到的問題

1. request請求多個頁面

由于請求是異步執(zhí)行的，和分別返回3個頁面的數(shù)據(jù)，這里只爬取了50個網(wǎng)站，一個頁面有20個，所以有3頁，通過循環(huán)里套request請求，來實現(xiàn)。

通過添加請求頭可以實現(xiàn)基本的反爬蟲

處理數(shù)據(jù)的方法都寫在analyData()里面，造成后面的數(shù)據(jù)重復(fù)存儲了，想了很久，才想到一個解決方法，后面會寫到是怎么解決的。

for (var i = 1; i < len+1; i++) {
 (function(i){
 var options = {
 url: 'http://www.alexa.cn/siterank/' + i,
 headers: {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
 }
 };
 request(options, function (err, response, body) {
 analyData(body,rank);
 })
 })(i)
 }

2. 多層回調(diào)

仔細(xì)觀察代碼，你會發(fā)現(xiàn)，處理數(shù)據(jù)的方法使用了如下的多層回調(diào)，也可以不使用回調(diào)，寫在一個函數(shù)內(nèi)部；因為，每層都要使用上一層的數(shù)據(jù)，造成了這樣的寫法。

function f1(data1){
 f2(data1);
}


function f2(data2){
 f3(data2);
}


function f3(data3){
 f4(data4);
}

3. 正則獲取JS庫

由于獲取頁面庫，首先需要獲取到script的src屬性，然后通過正則來實現(xiàn)字符串匹配。

<script src="https://ss0.bdstatic.com/5aV1bjqh_Q23odCf/static/superman/js/lib/jquery-1.10.2_d88366fd.js"></script>

獲取到的script可能是上面這樣的，由于庫名的命名真是各種各樣，后來想了一下，因為文件名是用.js結(jié)尾的，所以就以點號為結(jié)尾，然后把點號之前的字符截取下來，這樣獲得了庫名，代碼如下。

var reg = /[^\/\\]+$/g;
var libName = jsLink.match(reg).join('');
var libFilter = libName.slice(0,libName.indexOf('.'));

4.cheerio模塊獲取JS引用鏈接

這部分也花了一點時間，才搞定，cheerio獲取DOM的方法和jQuery是一樣的，需要對返回的DOM對象進(jìn)行查看，就可以看到對象里隱藏好深的href屬性，方法大同小異，你也可以使用其他選擇器，選擇到script標(biāo)簽

var $ = cheerio.load(body);
var scriptFile = $('script').toArray();


scriptFile.forEach(function(item,index){
 if (item.attribs.src != null) {
 obtainLibName(item.attribs.src,index);
}

5.存儲數(shù)據(jù)到數(shù)據(jù)庫

存儲數(shù)據(jù)的邏輯是先獲取所有的script信息，然后push到一個緩存數(shù)組，由于push后面，緊跟著存儲到數(shù)據(jù)庫的方法，這兩個方法都寫在循環(huán)里面的，例如爬取5個網(wǎng)站，每個網(wǎng)站存儲一次，后面也會跟著存儲，造成數(shù)據(jù)重復(fù)存儲。解決方法是存儲數(shù)據(jù)的一般邏輯是先查，再存，這個查比較重要，查詢的方法也有多種，這里主要是根據(jù)庫名來查找唯一的數(shù)據(jù)對象，使用findOne方法。注意，由于node.js是異步執(zhí)行的，這里的閉包，每次只傳一個i值進(jìn)去，執(zhí)行存儲的操作。

// 將緩存數(shù)據(jù)存儲到數(shù)據(jù)庫
function store2db(libObj){
 console.log(libObj);
 for (var i = 0; i < libObj.length; i++) {
 (function(i){
 var jsLib = new JsLib({
 name: libObj[i].lib,
 libsNum: libObj[i].num
 });
 
 JsLib.findOne({'name': libObj[i].lib},function(err,libDoc){
 if(err) console.log(err);
 // console.log(libDoc)
 if (!libDoc){
 jsLib.save(function(err,result){
 if(err) console.log('保存數(shù)據(jù)出錯' + err);
 });
 }

 })
 })(i)
 }
 console.log('一共存儲' + libObj.length + '條數(shù)據(jù)到數(shù)據(jù)庫');
}

6.分頁插件

本爬蟲前端使用了bootstrap.paginator插件，主要是前臺分頁，返回數(shù)據(jù)，根據(jù)點擊的頁數(shù)，來顯示對應(yīng)的數(shù)據(jù)，后期考慮使用AJAX請求的方式來實現(xiàn)翻頁的效果，這里的注意項，主要是最后一頁的顯示，最好前面做個判斷，因為返回的數(shù)據(jù)，不一定剛好是頁數(shù)的整數(shù)倍

function _paging(libObj) {
 var ele = $('#page');
 var pages = Math.ceil(libObj.length/20);
 console.log('總頁數(shù)' + pages);
 ele.bootstrapPaginator({ 
 currentPage: 1, 
 totalPages: pages, 
 size:"normal", 
 bootstrapMajorVersion: 3, 
 alignment:"left", 
 numberOfPages:pages, 
 itemTexts: function (type, page, current) { 
 switch (type) { 
 case "first": return "首頁"; 
 case "prev": return "上一頁"; 
 case "next": return "下一頁"; 
 case "last": return "末頁"; 
 case "page": return page;
 }
 },
 onPageClicked: function(event, originalEvent, type, page){
 // console.log('當(dāng)前選中第：' + page + '頁');
 var pHtml = '';
 var endPage;
 var startPage = (page-1) * 20;
 if (page < pages) {
 endPage = page * 20;
 }else{
 endPage = libObj.length;
 }
 for (var i = startPage; i < endPage; i++) {
 pHtml += '<tr><td>';
 pHtml += (i+1) + '</td><td>';
 pHtml += libObj[i].name + '</td><td>';
 pHtml += libObj[i].libsNum + '</td></tr>';
 }
 libShow.html(pHtml);
 }
 })
 }

完整代碼

1. 前端

$(function () {
 var query = $('.query'),
 rank = $('.rank'),
 show = $('.show'),
 queryLib = $('.queryLib'),
 libShow = $('#libShow'),
 libName = $('.libName'),
 displayResult = $('.displayResult');

 var checkLib = (function(){

 function _query(){
 query.click(function(){
 $.post(
 '/query',
 {
 rank: rank.val(),
 },
 function(data){
 console.log(data);
 }
 )
 });
 queryLib.click(function(){
 var inputLibName = libName.val();
 if (inputLibName.length == 0) {
 alert('請輸入庫名~');
 return;
 }
 $.post(
 '/queryLib',
 {
 libName: inputLibName,
 },
 function(data){
 if(data.length == 0){
 alert('沒有查詢到名為' + inputLibName + '的庫');
 libName.val('');
 libName.focus();
 libShow.html('')
 return;
 }
 var libHtml = '';
 for (var i = 0; i < data.length; i++) {
 libHtml += '<tr><td>';
 libHtml += (i+1) + '</td><td>';
 libHtml += data[i].name + '</td><td>';
 libHtml += data[i].libsNum + '</td></tr>';
 }
 libShow.html(libHtml);
 }
 )
 });
 }

 function _showLibs(){
 show.click(function(){
 $.get(
 '/getLibs',
 {
 rank: rank.val(),
 },
 function(data){
 console.log('一共返回'+ data.length + '條數(shù)據(jù)');
 console.log(data)
 var libHtml = '';
 for (var i = 0; i < 20; i++) {
 libHtml += '<tr><td>';
 libHtml += (i+1) + '</td><td>';
 libHtml += data[i].name + '</td><td>';
 libHtml += data[i].libsNum + '</td></tr>';
 }
 displayResult.show();
 libShow.html(libHtml);// 點擊顯示按鈕，顯示前20項數(shù)據(jù)
 _paging(data);
 }
 )
 });
 }

 //翻頁器
 function _paging(libObj) {
 var ele = $('#page');
 var pages = Math.ceil(libObj.length/20);
 console.log('總頁數(shù)' + pages);
 ele.bootstrapPaginator({ 
 currentPage: 1, 
 totalPages: pages, 
 size:"normal", 
 bootstrapMajorVersion: 3, 
 alignment:"left", 
 numberOfPages:pages, 
 itemTexts: function (type, page, current) { 
 switch (type) { 
 case "first": return "首頁"; 
 case "prev": return "上一頁"; 
 case "next": return "下一頁"; 
 case "last": return "末頁"; 
 case "page": return page;
 }
 },
 onPageClicked: function(event, originalEvent, type, page){
 // console.log('當(dāng)前選中第：' + page + '頁');
 var pHtml = '';
 var endPage;
 var startPage = (page-1) * 20;
 if (page < pages) {
 endPage = page * 20;
 }else{
 endPage = libObj.length;
 }
 for (var i = startPage; i < endPage; i++) {
 pHtml += '<tr><td>';
 pHtml += (i+1) + '</td><td>';
 pHtml += libObj[i].name + '</td><td>';
 pHtml += libObj[i].libsNum + '</td></tr>';
 }
 libShow.html(pHtml);
 }
 })
 }

 function init() {
 _query();
 _showLibs();
 }

 return {
 init: init
 }

 })();

 checkLib.init();

})

2.后端路由

var express = require('express');
var mongoose = require('mongoose');
var request = require('request');
var cheerio =require('cheerio');
var router = express.Router();
var JsLib = require('../model/jsLib')

/* 顯示主頁 */
router.get('/', function(req, res, next) {
 res.render('index');
});

// 顯示庫
router.get('/getLibs',function(req,res,next){
 JsLib.find({})
 .sort({'libsNum': -1})
 .exec(function(err,data){
 res.json(data);
 })
})

// 庫的查詢
router.post('/queryLib',function(req,res,next){
 var libName = req.body.libName;

 JsLib.find({
 name: libName
 }).exec(function(err,data){
 if (err) console.log('查詢出現(xiàn)錯誤' + err);
 res.json(data);
 })
})

router.post('/query',function(req,res,next) {
 var rank = req.body.rank;
 var len = Math.round(rank/20);
 
 for (var i = 1; i < len+1; i++) {
 (function(i){
 var options = {
 url: 'http://www.alexa.cn/siterank/' + i,
 headers: {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
 }
 };
 request(options, function (err, response, body) {
 analyData(body,rank);
 })
 })(i)
 }
 res.json('保存成功')
})
 
var sites = [];
var flag = 0;
function analyData(data,rank) {
 if(data.indexOf('html') == -1) return false;
 var $ = cheerio.load(data);// 傳遞 HTML
 var sitesArr = $('.info-wrap .domain-link a').toArray();//將所有a鏈接存為數(shù)組

 console.log('網(wǎng)站爬取中``')
 for (var i = 0; i < 10; i++) { // ***這里后面要改，默認(rèn)爬取前10名
 var url = sitesArr[i].attribs.href;
 sites.push(url);//保存網(wǎng)址，添加wwww前綴
 }
 console.log(sites);
 console.log('一共爬取' + sites.length +'個網(wǎng)站');
 console.log('存儲數(shù)據(jù)中...')

 getScript(sites);
}


// 獲取JS庫文件地址
function getScript(urls) {
 var scriptArr = [];
 var src = [];
 var jsSrc = [];
 for (var j = 0; j < urls.length; j++) {
 (function(i,callback){
 var options = {
 url: urls[i],
 headers: {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
 }
 }

 request(options, function (err, res, body) {
 if(err) console.log('出現(xiàn)錯誤: '+err);
 var $ = cheerio.load(body);
 var scriptFile = $('script').toArray();
 callback(scriptFile,options.url);
 })
 })(j,storeLib)
 };

 function storeLib(scriptFile,url){
 flag++;// 是否存儲數(shù)據(jù)的標(biāo)志
 scriptFile.forEach(function(item,index){
 if (item.attribs.src != null) {
 obtainLibName(item.attribs.src,index);
 }
 })
 
 
 function obtainLibName(jsLink,i){
 var reg = /[^\/\\]+$/g;
 var libName = jsLink.match(reg).join('');
 var libFilter = libName.slice(0,libName.indexOf('.'));

 src.push(libFilter);
 }

 // console.log(src.length);
 // console.log(calcNum(src).length)
 (function(len,urlLength,src){
 // console.log('length is '+ len)
 if (len == 10 ) {// len長度為url的長度才向src和數(shù)據(jù)庫里存儲數(shù)據(jù)，防止重復(fù)儲存
 // calcNum(src);//存儲數(shù)據(jù)到數(shù)據(jù)庫 // ***這里后面要改，默認(rèn)爬取前10名
 var libSrc = calcNum(src);
 store2db(libSrc);
 }
 })(flag,urls.length,src)
 } 
}// getScript END

// 將緩存數(shù)據(jù)存儲到數(shù)據(jù)庫
function store2db(libObj){
 console.log(libObj);
 for (var i = 0; i < libObj.length; i++) {
 (function(i){
 var jsLib = new JsLib({
 name: libObj[i].lib,
 libsNum: libObj[i].num
 });
 
 JsLib.findOne({'name': libObj[i].lib},function(err,libDoc){
 if(err) console.log(err);
 // console.log(libDoc)
 if (!libDoc){
 jsLib.save(function(err,result){
 if(err) console.log('保存數(shù)據(jù)出錯' + err);
 });
 }

 })
 })(i)
 }
 console.log('一共存儲' + libObj.length + '條數(shù)據(jù)到數(shù)據(jù)庫');
}
// JS庫排序算法
function calcNum(arr){
 var libObj = {};
 var result = [];
 for (var i = 0, len = arr.length; i < len; i++) {
 
 if (libObj[arr[i]]) {
 libObj[arr[i]] ++;
 } else {
 libObj[arr[i]] = 1;
 }
 }
 
 for(var o in libObj){
 result.push({
 lib: o,
 num: libObj[o]
 })
 }

 result.sort(function(a,b){
 return b.num - a.num;
 });

 return result;
}


module.exports = router;

源碼下載

github下載地址（本地下載）

后記

通過這個小爬蟲，學(xué)習(xí)到很多知識，例如爬蟲的反爬蟲有哪些策越，意識到node.js的異步執(zhí)行特性，前后端是怎么進(jìn)行交互的。同時，也意識到有一些方面的不足，后面還需要繼續(xù)改進(jìn)，歡迎大家的相互交流。

好了，以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作能帶來一定的幫助，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

您可能感興趣的文章: