教你nodejs爬虫制作知乎专栏RSS抓取程序
Posted coderhf
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了教你nodejs爬虫制作知乎专栏RSS抓取程序相关的知识,希望对你有一定的参考价值。
现在这个社会是信息爆炸的社会,各个网站、app上铺天盖地的都是各种新闻和信息。 为了获取信息,我们每天都要进行各种麻烦的操作,打开各种网站或者手机app,操作显得低效,后来发现了一个神器,那就是RSS。
什么是RSS
RSS中文名是简易信息聚合,就是让网站一个按照一定周期更新网站的文章概要内容(有些是全文)到一个xml中。RSS订阅工具一定时间抓取这个RSS订阅源生成数据供订阅者读取网站内容。
有了RSS,你只要去订阅工具上就可以浏览你自己订阅的新的更新内容,非常简单高效。这里推荐一个RSS订阅神器inoreader,支持中文。这个我认为是目前最好的RSS订阅器。 知乎专栏是一个知乎开给个人写的博客,有些专栏上面具有有价值的信息,但是很遗憾知乎专栏不提供RSS订阅,当然作为开发者来说,我们可以自己动手做一个知乎专栏RSS抓取程序。
制作爬虫
很多网站提供了RSS,但是更多网站其实没有提供RSS订阅源。我们可以使用爬虫抓取网站更新内容制作个人的RSS订阅源。我作为一个前端er可以使用nodejs来进行RSS的制作。
什么是nodejs
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。
简单的说 Node.js 就是运行在服务端的 JavaScript。使用nodejs的可以让你一个只会用JavaScript也能写后端服务代码。当然也能用它进行爬虫抓取的工作。
先安装爬虫所需依赖
进行爬取工作的话先要安装所要用到的依赖。 superagent是最常用的一个依赖库,利用它可以轻松发送各种请求。 cheerio就是一个nodejs版本的jquery,利用它可以获取网页中的各种dom结构。 data2xml就是一个json转化成xml的一个库。 其他还有node-schedule和fs就是进行定时操作和文件操作。
新建一个文件夹rssmaker,并且执行npm init创建package.json。
用npm install node_modules_name --save来进行安装各种依赖。
分析知乎专栏结构获取要爬取的入口
我这次举例爬取一个专栏前端学习指南。像这种适配手机端的网页,一般都有采用发送API请求来获得数据进行前端渲染页面,我们可以用chrome的network的查看可疑的请求。打开chrome的开发者工具。我们很快就发现了一个目标。一个可疑请求https://zhuanlan.zhihu.com/api/columns/study-fe/posts?limit=20
我们得到了一个json,我们现在使用一个json的查看工具chrome的插件JSON Editor可视化这个json数据方便我们进行分析。
我们可视化后数据如下:
前面我们发现的请求发送里面有一个参数是limit,它的值是20,从上图我们知道了我们得到了20组数据,这个参数其实就是限制获取的数据条目数。我们现在分析20组里面的一条数据。
{ "isTitleImageFullScreen": false, "rating": "none", "sourceUrl": "", "publishedTime": "2016-12-28T15:01:44+08:00", "links": { "comments": "/api/posts/24606606/comments" }, "author": { "profileUrl": "https://www.zhihu.com/people/jirengu-ruo-yu", "bio": "饥人谷的挑山工 jirengu.com", "hash": "3dd61d987210ce6b0ba24746803e04bb", "uid": 33284922802176, "isOrg": false, "description": "饥人谷的挑山工 jirengu.com ", "isOrgWhiteList": false, "slug": "jirengu-ruo-yu", "avatar": { "id": "31a3446681c9040f3643472db505a6ef", "template": "https://pic4.zhimg.com/{id}_{size}.jpg" }, "name": "若愚" }, "url": "/p/24606606", "title": "前端笔试面试题库", "titleImage": "", "summary": "", "content": "<h2>做了什么?</h2><p>我们在建了 GitHub 前端笔试面试题库 <a href="https://github.com/jirengu/frontend-interview/issues" data-editable="true" data-title="前端笔试面试题库" class="">前端笔试面试题库</a>, 欢迎走访</p><br><br><h2>为什么建前端笔试面试题库?</h2><p><a href="https://zhuanlan.zhihu.com/study-fe" data-editable="true" data-title="前端学习指南专栏" class="">前端学习指南专栏</a> 专栏创建3个月有很多前端爱好者特别是入门者关注,很多小伙伴一直期待我们能做一份笔试面试题集锦分享给大家,我和方方也一直想把这个事情做好。但两个人的力量太微弱,于是想到在 github 上建立公共项目,汇集更多前端爱好者的力量一起收集前端常见笔试面试题,作为送给前端入门的小伙伴、需要找工作的小伙伴一份新年礼物??</p><br><br><h2>如何贡献题目?</h2><p>大家可以在 【[Issue](<a href="https://github.com/jirengu/frontend-interview/issues" data-editable="true" data-title="jirengu/frontend-interview" class="">jirengu/frontend-interview</a>)】上通过提交Issue的形式提交日常遇到的笔试面试题,无论是多"高端"或者多"低级"。</p><img src="v2-7321f409275270493625137ca12521b0.png" data-rawwidth="1972" data-rawheight="878"><br><p><b>注意: </b></p><ol><li>提交 Issue 的时候需要在问题里加上问题来源,比如:`来自百度校招笔试题`,或者来自`某公司面试题`<br></li><li> 在提交Issue 的时候需要选择合适的标签以便分类整理。目前的标签有 `html&CSS`、`JavaScript`、`前端框架`、`HTTP`、`未归类`,如果你不知道该选择什么标签,就选择`未归类`吧。或者可以在题目的描述里加上自己觉得应该添加的标签,项目管理者会定期更新添加新标签<br></li><li>当前项目的主题是 <b>前端笔试面试题</b>,不要把自己平时学习中的疑问放进去,要的是货真价实的笔试面试题。否则变味了就没人喜欢了<br></li></ol><br><h2><br>如何贡献答案?</h2><p>不要吝啬自己的答案,在脑子里的答案不叫答案,只有写下来后才知道答案没那么简单,面试官真问起的时候才能对答如流</p><p>勇敢的回复自己的答案吧</p><br><p>觉得不错?</p><p>Star 这个项目, Watch 这个项目,分享给其他小伙伴吧</p>", "state": "published", "href": "/api/posts/24606606", "meta": { "previous": null, "next": null }, "commentPermission": "anyone", "snapshotUrl": "", "canComment": false, "slug": 24606606, "commentsCount": 20, "likesCount": 135 }
我们可以通过《XML那些事...》 实现简单的RSS可知RSS几个关键的值。跟上图截图的对应。
我们现在知道爬取的入口,那么我们现在开始coding吧。
用superagent抓取数据组成数组
新建一个文件studyfe.js,在文件中用require引入各种依赖。然后我们用superagent获取数据后进行数组的拼装。
而在得到这个数组的时候,我们已经相当于得到了所有要采集的数据了,那下面要做的东西就很简单了,那就是json数组转化成xml格式。而转化我们我们要用到data2xml这个库。在开头我们已经require进来了。 data2xml的使用文档可以查看data2xml-npmjs.com
最后就是把数据输出到文件中去
输出到文件之后,然后要把这个文件放到服务器上,这样才能被rss服务器抓取到,如何放在服务器上这本文就不讨论了,还有一个问题就是RSS需要实时更新的,所以还有使用定时抓取,这次用到的是node-schedule。里面的定时写法其实跟linux中的crontab定时任务写法是很相似的。下面的代码其实代表着每3分钟定时执行一次。
定时执行任务还会有一个问题就是在nodejs在执行异常的时候退出,这样就会导致不会实时抓取,这个要用到一个nodejs中能自动重启任务的,我用的是pm2。
为此,为了学好前端,创建了一个学习交流裙,能够与大家一起学习、交流。大家免费领取面试题,电子书籍,特效项目源码等干货。
以上是关于教你nodejs爬虫制作知乎专栏RSS抓取程序的主要内容,如果未能解决你的问题,请参考以下文章