【重學Node.js 第4篇】實現一個簡易爬蟲&啓動定時任務

實現一個簡易爬蟲&啓動定時任務

• 課程介紹看這裏：juejin.im/post/5df25c…
• 項目github地址：github.com/hellozhangr…

爬蟲

目前 node.js 爬蟲工具比較火的有 node-crawler puppeteer。不過我目前沒打算用這些，由於至少如今咱們的項目還用不到。只要能發送請求、解析dom咱們就能本身實現一個爬蟲。因此我選擇了axios + cheerio來本身寫爬蟲。

獲取博客園的推薦文章

首先咱們用 axios + cheerio 來獲取博客園的首頁編輯推薦文章，並解析出這篇文章的正文部分。

// controller/crawler.js 文件
const axios = require('axios');
const cheerio = require('cheerio');
// articleCtrl是一個寫好了的controller，裏面有存儲數據到mongo的邏輯。
const articleCtrl = require('./article');

async function cnblogs () {
    const res = await axios.get('https://www.cnblogs.com/');
    // 把axios獲得的數據用cheerio解析，解析後的$對象擁有jquery的能力，能夠經過jquery api直接操做dom
    const $ = cheerio.load(res.data);
    const $href = $('#editor_pick_lnk');
    let name = $href.text();
    // 找到編輯推薦文章的url，繼續訪問該頁面
    let href = $href.attr('href');
    
    const subRes = await axios.get(href);
    const $$ = cheerio.load(subRes.data);
    // 得到編輯推薦文章的正文部分的html
    const bodyStr = $$('#cnblogs_post_body').html();
    // 存入mongodb，具體articleCtrl.create方法的實現能夠從項目源碼中看，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
};
複製代碼

經過上面簡單的代碼，咱們就能把博客園的推薦文章正文部分存到數據庫。接下來要建立定時任務，把天天的推薦文章都存到本身的數據庫了。

定時任務

實例

定時任務工具我選擇 node-schedule ，先上實例，後面再詳細講下用法。

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

// 能夠按照cron的格式設置
function runSchedule (cb) {
    // cron風格的配置：天天上午10點執行一次
    schedule.scheduleJob('0 0 10 * * *', function () {
        console.log('定時任務執行一次');
            cb && cb();
    });
    // object風格的配置：天天上午10點執行一次
    // 注意，這裏須要加minute:0， 不然10點的每一分鐘都執行一次。
    schedule.scheduleJob({hour: 10, minute: 0}, function () {
        console.log('定時任務執行一次');
            cb && cb();
    });
}

module.exports = runSchedule;
複製代碼

接下來說講 cron 與 object 兩種配置風格的差別。

建議你們直接用 cron 風格的配置方式。當我第一次看到 object 配置風格的時候也以爲很人性化，可用事後會發現坑太多，越用成本越大。不信能夠慢慢看

object風格

// 天天上午7點的每分鐘都執行一次 (本覺得會天天7點執行一次)
let obj = { hour: 7};

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

// 上午7點整執行一次
let obj = { hour: 7, minute: 0};

// 每秒執行一次
let obj = { second: null }

// 每分鐘執行一次
let obj = { hour: null }; // 費解，這個不該該是每小時執行一次嗎

// 每分鐘執行一次
let obj = { minute: null };

// 每小時執行一次
let obj = { hour: null, minute: 0 }
複製代碼

cron風格定時器

• * * * * * * 每秒執行一次
• 0 * * * * * 每分鐘的第0秒執行一次
• 0 0 * * * * 每小時的0分0秒執行一次
• 0 0 7 * * * 天天早上7點的0分0秒執行一次
• 0 0 7 1 * * 每個月的1日早上7點0分0秒執行一次
• 0 0 7 * * 1 每週1的早上7點0分0秒執行一次

對比完了這兩種風格能明顯的看出：雖然 object 更人性化但我的覺的有點中看不中用的感受。尤爲是對於個性化的配置，object 顯的很蹩腳，並且你根本無法查，沒那麼多使用說明給到你。相比下 cron 自己就是linux的通用定時任務，各類玩法都被人用了多少遍了。

啓動定時任務

最後，在 app.js 補上下面的邏輯，node app.js 啓動服務，等待定時任務的執行吧。

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

function listen () {
    app.listen('3000', () => {
        console.log('listen: 3000');
        // 開啓自動腳本
        runSchedule(function() {
            crawlerCtrl.cnblogs();
        })
    });
}
複製代碼

完整的邏輯去項目裏翻代碼吧。