实现一个简易爬虫&启动定时任务-创新互联

爬虫

成都创新互联公司10多年企业网站制作服务;为您提供网站建设,网站制作,网页设计及高端网站定制服务,企业网站制作及推广,对成都搅拌罐车等多个方面拥有多年的网站营销经验的网站建设公司。

目前 node.js 爬虫工具比较火的有 node-crawler puppeteer。不过我目前没打算用这些,因为至少现在我们的项目还用不到。只要能发送请求、解析dom我们就能自己实现一个爬虫。所以我选择了axios + cheerio来自己写爬虫。

首先我们用 axios + cheerio 来获取首页编辑推荐文章,并解析出这篇文章的正文部分。

// controller/crawler.js 文件
const axios = require('axios');
const cheerio = require('cheerio');
// articleCtrl是一个写好了的controller,里面有存储数据到mongo的逻辑。
const articleCtrl = require('./article');

async function cnblogs () {
    const res = await axios.get('https://www.cnblogs.com/');
    // 把axios得到的数据用cheerio解析,解析后的$对象拥有jquery的能力,可以通过jquery api直接操作dom
    const $ = cheerio.load(res.data);
    const $href = $('#editor_pick_lnk');
    let name = $href.text();
    // 找到编辑推荐文章的url,继续访问该页面
    let href = $href.attr('href');

    const subRes = await axios.get(href);
    const $$ = cheerio.load(subRes.data);
    // 获得编辑推荐文章的正文部分的html
    const bodyStr = $$('#cnblogs_post_body').html();
    // 存入mongodb,具体articleCtrl.create方法的实现可以从项目源码中看,位置express/controller/article.js
    const cRes = await articleCtrl.create({
        from: 'cnblogs',
        title: name,
        article: bodyStr,
        hot_level: 1,
        favor: 1,
        comment: 1
    });
};

module.exports = {
    cnblogs
};

通过上面简单的代码,我们就能把推荐文章正文部分存到数据库。接下来要创建定时任务,把每天的推荐文章都存到自己的数据库了。

定时任务
实例
定时任务工具我选择 node-schedule ,先上实例,后面再详细讲下用法。

// schedule/index.js 文件
var schedule = require('node-schedule');

// 可以按照cron的格式设置
function runSchedule (cb) {
    // cron风格的配置:每天上午10点执行一次
    schedule.scheduleJob('0 0 10 * * *', function () {
        console.log('定时任务执行一次');
            cb && cb();
    });
    // object风格的配置:每天上午10点执行一次
    // 注意,这里需要加minute:0, 否则10点的每一分钟都执行一次。
    schedule.scheduleJob({hour: 10, minute: 0}, function () {
        console.log('定时任务执行一次');
            cb && cb();
    });
}

module.exports = runSchedule;
接下来讲讲 cron 与 object 两种配置风格的差异。

建议大家直接用 cron 风格的配置方式。当我第一次看到 object 配置风格的时候也觉得很人性化,可用过后会发现坑太多,越用成本越大。不信可以慢慢看

object风格

// 每天上午7点的每分钟都执行一次 (本以为会每天7点执行一次)
let obj = { hour: 7};

// 同上
let obj = { hour: 7, minute: null};

// 上午7点整执行一次
let obj = { hour: 7, minute: 0};

// 每秒执行一次
let obj = { second: null }

// 每分钟执行一次
let obj = { hour: null }; // 费解,这个不应该是每小时执行一次吗

// 每分钟执行一次
let obj = { minute: null };

// 每小时执行一次
let obj = { hour: null, minute: 0 }
cron风格定时器
* * * * * * 每秒执行一次
0 * * * * * 每分钟的第0秒执行一次
0 0 * * * * 每小时的0分0秒执行一次
0 0 7 * * * 每天早上7点的0分0秒执行一次
0 0 7 1 * * 每月的1日早上7点0分0秒执行一次
0 0 7 * * 1 每周1的早上7点0分0秒执行一次
对比完了这两种风格能明显的看出:虽然 object 更人性化但个人觉的有点中看不中用的感觉。尤其是对于个性化的配置,object 显的很蹩脚,而且你根本没法查,没那么多使用说明给到你。相比下 cron 本身就是linux的通用定时任务,各种玩法都被人用了多少遍了。

启动定时任务
最后,在 app.js 补上下面的逻辑,node app.js 启动服务,等待定时任务的执行吧。

const runSchedule = require('./schedule');
const crawlerCtrl = require('./controller/crawler');

function listen () {
    app.listen('3000', () => {
        console.log('listen: 3000');
        // 开启自动脚本
        runSchedule(function() {
            crawlerCtrl.cnblogs();
        })
    });
}

另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。


分享题目:实现一个简易爬虫&启动定时任务-创新互联
当前链接:http://pwwzsj.com/article/eihej.html