Node.js爬取科技新聞網站cnBeta（附前端及服務端源碼）

時間 2019-11-08

標籤 node.js node 科技網站 cnbeta 前端服務源碼欄目 Node.js 简体版

原文原文鏈接

前言

一直很喜歡看科技新聞，多年來一直混跡於cnBeta，之前西貝的評論區是匿名的，因此評論區很是活躍，各類噴子和段子，不過也確實很歡樂，能夠說那是西貝人氣最旺的時候。然而自從去年網信辦出臺了《互聯網跟帖評論服務管理規定》，要求只有實名認證的用戶，才能進行留言、評論以後，往日的活躍的的評論區瞬間淪陷，人氣大跌。其實說到底，仍是西貝沒有跟上移動互聯網的潮流，至今還止步於PC互聯網時代，網頁廣告太多，而移動應用質量堪憂，體驗極差，雖然有很多第三方的應用，但因爲沒有官方的支持，體驗上仍是不夠好，例如若是官方發佈一些改版，第三方的應用基本都會掛掉。html

因此爲了方便平時閱讀cnBeta的新聞，就打算經過爬蟲把cnBeta的新聞爬下來，自建一個m站，這樣體驗可控，而且沒有廣告(｀∀´)Ψ。其實項目很早就完成了，只是如今纔有空（閒情）寫一篇分享出來。前端

概述

本項目爬蟲及服務端github地址：https://github.com/hudingyu/c...vue

前端github地址：https://github.com/hudingyu/c...node

技術細節

使用 async await 作異步邏輯的處理。
使用 async庫來作循環遍歷，以及併發請求操做。
使用 log4js 來作日誌處理
使用 cheerio 來作新聞詳情頁的分析抓取。
使用 mongoose 來鏈接mongoDB 作數據的保存以及操做。

目錄結構

目錄結構git

├── bin              // 入口
│   ├── article-list.js      // 抓取新聞列表邏輯
│   ├── content.js          // 抓取新聞內容邏輯
│   ├── server.js      // 服務端程序入口
│   └── spider.js      // 爬蟲程序入口
├── config             // 配置文件
├── dbhelper           // 數據庫操做方法目錄
├── middleware      // koa2 中間件
├── model          // mongoDB 集合操做實例
├── router         // koa2 路由文件
├── utils         // 工具函數
├── package.json

方案分析

首先看爬蟲程序入口文件，總體邏輯其實很簡單，先抓取新聞列表，存入MongoDB數據庫，每十分鐘抓取一次。新聞列表抓取以後，在數據庫查詢列表中沒有新聞內容的新聞，開始抓取新聞詳情，而後更新到數據庫。github

const articleListInit = require('./article-list');
const articleContentInit = require('./content');
const logger = require('../config/log');

const start = async() => {
    let articleListRes = await articleListInit();
    if (!articleListRes) {
        logger.warn('news list update failed...');
    } else {
        logger.info('news list update succeed！');
    }

    let articleContentRes = await articleContentInit();
    if (!articleContentRes) {
        logger.warn('article content grab error...');
    } else {
        logger.info('article content grab succeed！');
    }
};

if (typeof articleListInit === 'function') {
    start();
}
setInterval(start, 600000);

接着看抓取新聞列表的邏輯，由於能夠獲取到新聞列表的Ajax接口，因此直接調用接口獲取列表信息。可是也有個問題，cnBeta新聞列表的縮略圖以及文章裏的的圖片是有防盜鏈的，因此你在本身的網站是無法直接使用它的圖片的，因此我是直接把cnBeta的圖片文件爬下來存到本身的服務器上。數據庫

/**
 * 初始化方法 抓取文章列表
 * @returns {Promise.<*>}
 */
const articleListInit = async() => {
    logger.info('grabbing article list starts...');
    const pageUrlList = getPageUrlList(listBaseUrl, totalPage);
    if (!pageUrlList) {
        return;
    }
    let res = await getArticleList(pageUrlList);
    return res;
}

/**
 * 利用分頁接口獲取文章列表
 * @param pageUrlList
 * @returns {Promise}
 */
const getArticleList = (pageUrlList) => {
    return new Promise((resolve, reject) => {
        async.mapLimit(pageUrlList, 1, (pageUrl, callback) => {
            getCurPage(pageUrl, callback);
        }, (err, result) => {
            if (err) {
                logger.error('get article list error...');
                logger.error(err);
                reject(false);
                return;
            }
            let articleList = _.flatten(result);
            downloadThumbAndSave(articleList, resolve);
        })
    })
};

/**
 * 獲取當前頁面的文章列表
 * @param pageUrl
 * @param callback
 * @returns {Promise.<void>}
 */
const getCurPage = async(pageUrl, callback) => {
    let num = Math.random() * 1000 + 1000;
    await sleep(num);
    request(pageUrl, (err, response, body) => {
        if (err) {
            logger.info('current url went wrong，url address:' + pageUrl);
            callback(null, null);
            return;
        } else {
            let responseObj = JSON.parse(body);
            if (responseObj.result && responseObj.result.list) {
                let newsList = parseObject(articleModel, responseObj.result.list, {
                    pubTime: 'inputtime',
                    author: 'aid',
                    commentCount: 'comments',
                });
                callback(null, newsList);
                return;
            }
            console.log("出錯了");
            callback(null, null);
        }
    });
};

const downloadThumbAndSave = (list, resolve) => {
    const host = 'https://static.cnbetacdn.com';
    const basepath = './public/data';
    if (list.indexOf(null) > -1) {
        resolve(false);
    } else {
        try {
            async.eachSeries(list, (item, callback) => {
                let thumb_url = item.thumb.replace(host, '');
                item.thumb = thumb_url;
                if (!fs.exists(thumb_url)) {
                    mkDirs(basepath + thumb_url.substring(0, thumb_url.lastIndexOf('/')), () => {
                        request
                            .get({
                                url: host + thumb_url,
                            })
                            .pipe(fs.createWriteStream(path.join(basepath, thumb_url)))
                            .on('error', (err) => {
                                console.log("pipe error", err);
                            });
                        callback(null, null);
                    });
                }
            }, (err, result) => {
                if (!err) {
                    saveDB(list, resolve);
                }
            });
        }
        catch(err) {
            console.log(err);
        }
    }
};

/**
 * 將文章列表存入數據庫
 * @param result
 * @param callback
 * @returns {Promise.<void>}
 */
const saveDB = async(result, callback) => {
    //console.log(result);
    let flag = await dbHelper.insertCollection(articleDbModel, result).catch(function (err){
        logger.error('data insert falied');
    });
    if (!flag) {
        logger.error('news list save failed');
    } else {
        logger.info('list saved！total：' + result.length);
    }
    if (typeof callback === 'function') {
        callback(true);
    }
};

再來看抓取新聞內容的邏輯，這裏是直接根據新聞的sid獲得新聞內容頁的html，而後利用cheerio庫分析獲取咱們須要的新聞內容。固然這裏也是要把文章中的圖片爬下來存入服務器，而且把存入數據庫的新聞內容中圖片連接替換成本身服務器中的URL。json

/**
 * 抓取正文程序入口
 * @returns {Promise.<*>}
 */
const articleContentInit = async() => {
    logger.info('grabbing article contents starts...');
    let uncachedArticleSidList = await getUncachedArticleList(articleDbModel);
    // console.log('未緩存的文章：'+ uncachedArticleSidList.join(','));
    const res = await batchCrawlArticleContent(uncachedArticleSidList);
    if (!res) {
        logger.error('grabbing article contents went wrong...');
    }
    return res;
};

/**
 * 查詢新聞列表獲取sid列表
 * @param Model
 * @returns {Promise.<void>}
 */
const getUncachedArticleList = async(Model) => {
    const selectedArticleList = await dbHelper.queryDocList(Model).catch(function (err){
        logger.error(err);
    });
    return selectedArticleList.map(item => item.sid);
    // return selectedArticleList.map(item => item._doc.sid);
};

/**
 * 批量抓取新聞詳情內容
 * @param list
 * @returns {Promise}
 */
const batchCrawlArticleContent = (list) => {
    return new Promise((resolve, reject) => {
        async.mapLimit(list, 3, (sid, callback) => {
            getArticleContent(sid, callback);
        }, (err, result) => {
            if (err) {
                logger.error(err);
                reject(false);
                return;
            }
            resolve(true);
        });
    });
};

/**
 * 抓取單篇文章內容
 * @param sid
 * @param callback
 * @returns {Promise.<void>}
 */
const getArticleContent = async(sid, callback) => {
    let num = Math.random() * 1000 + 1000;
    await sleep(num);
    let url = contentBaseUrl + sid + '.htm';
    request(url, (err, response, body) => {
        if (err) {
            logger.error('grabbing article content went wrong，article url:' + url);
            callback(null, null);
            return;
        }
        const $ = cheerio.load(body, {
            decodeEntities: false
        });
        const serverAssetPath = `${serverIp}:${serverPort}/data`;
        let domainReg = new RegExp('https://static.cnbetacdn.com','g');
        let article = {
            sid,
            source: $('.article-byline span a').html() || $('.article-byline span').html(),
            summary: $('.article-summ p').html(),
            content: $('.articleCont').html().replace(styleReg.reg, styleReg.replace).replace(scriptReg.reg, scriptReg.replace).replace(domainReg, serverAssetPath),
        };
        saveContentToDB(article);
        let imgList = [];
        $('.articleCont img').each((index, dom) => {
            imgList.push(dom.attribs.src);
        });
        downloadImgs(imgList);
        callback(null, null);
    });
};

/**
 * 下載圖片
 * @param list
 */
const downloadImgs = (list) => {
    const host = 'https://static.cnbetacdn.com';
    const basepath = './public/data';
    if (!list.length) {
        return;
    }
    try {
        async.eachSeries(list, (item, callback) => {
            let num = Math.random() * 500 + 500;
            sleep(num);
            if (item.indexOf(host) === -1) return;
            let thumb_url = item.replace(host, '');
            item.thumb = thumb_url;
            if (!fs.exists(thumb_url)) {
                mkDirs(basepath + thumb_url.substring(0, thumb_url.lastIndexOf('/')), () => {
                    request
                        .get({
                            url: host + thumb_url,
                        })
                        .pipe(fs.createWriteStream(path.join(basepath, thumb_url)))
                        .on("error", (err) => {
                            console.log("pipe error", err);
                        });
                    callback(null, null);
                });
            }
        });
    }
    catch(err) {
        console.log(err);
    }
};
/**
 * 保存到文章內容到數據庫
 * @param article
 */
const saveContentToDB = (item) => {
    let flag = dbHelper.updateCollection(articleDbModel, item);
    if (flag) {
        logger.info('grabbing article content succeeded：' + item.sid);
    }
};

爬蟲部分差很少就是這樣，還有一點就本身服務器存儲的爬取的圖片天天都會有上百張，時間一長，圖片佔用的存儲空間就會特別大，因此須要定時清理一下，有興趣的能夠看看項目裏面的clear-expire.js文件。後端