NodeJs爬虫框架Spider基础使用教程

 更新时间:2023年07月24日 09:13:48   作者:GeoffZhu  
这篇文章主要为大家介绍了NodeJs爬虫框架Spider基础使用教程,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪

gz-spider

一个基于Puppeteer和Axios的NodeJs爬虫框架 源码仓库

为什么需要爬虫框架

爬虫框架可以简化开发流程,提供统一规范,提升效率。一套优秀的爬虫框架会利用多线程,多进程,分布式,IP池等能力,帮助开发者快速开发出易于维护的工业级爬虫,长期受用。

特性

  • 可配置代理
  • 支持任务重试
  • 支持Puppeteer
  • 异步队列服务友好
  • 多进程友好

安装

npm i gz-spider --save

使用

const spider = require('gz-spider');
// 每个爬虫是一个方法,需要通过setProcesser注册
spider.setProcesser({
  ['getGoogleSearchResult']: async (fetcher, params) => {
    // fetcher.page是原始的puppeteer page,可以直接用于打开页面
    let resp = await fetcher.axios.get(`https://www.google.com/search?q=${params}`);
    // throw 'Retry', will retry this processer
    // throw 'ChangeProxy', will retry this processer use new proxy
    // throw 'Fail', will finish this processer with message(fail) Immediately
    if (resp.status === 200) {
      // Data processing start
      let result = resp.data + 1;
      // Data processing end
      return result;
    } else {
      throw 'retry';
    }
  }
});
// 开始爬取
spider.getData('getGoogleSearchResult', params).then(userInfo => {
  console.log(userInfo);
});

配置

框架由三部分组成,fetcher、strategy、processer。

Fetcher

spider.setFetcher({
  axiosTimeout: 5000,
  proxyTimeout: 180 * 1000
  proxy() {
    // 支持返回Promise,可以从远端拉取代理的配置
    return {
      host: '127.0.0.1',
      port: '9000'
    }
  }
});
  • axiosTimeout: [Number] 每次爬虫请求的超时时间
  • proxyTimeout: [Number] 更新代理IP时间,代理IP有超时的场景使用,会重新执行proxy function,使用新的代理IP
  • proxy: [Object | Function] 当 proxy是[Function], 支持异步,可以从远端拉取代理的配置

    • proxy.host [String]
    • proxy.port [String]

Strategy

spider.setStrategy({
  retryTimes: 2
});
  • retryTimes: [Number] 最大重试次数

与任务队列结合使用

流程获取任务 -> `spider.getData(processerKey, processerIn)` -> 完成任务并带上处理好的数据

用MySql模拟任务队列

  • 创建spider-task表, 至少包含'id', 'status', 'processer_key', 'processer_input', 'processer_output'
  • 写一个拉取未完成任务的接口, 例如 GET /spider/task
  • 写一个完成任务的接口, 例如 PUT /spider/task
const axios = require('axios');
while (true) {
  // 获取任务
  let resp = await axios.get('http://127.0.0.1:8080/spider/task');
  if (!resp.data.task) break;
  let { id, processerKey, processerInput } = resp.data.task;
  let processerOutput = await spider.getData(processerKey, processerInput);
  // 完成任务并带上处理好的数据
  await axios.put('http://127.0.0.1:8080/spider/task', {
    id, processerOutput,
    status: 'success'
  });
}

对爬虫的一些理解

爬虫的运行方式就决定了它无法做到长久稳定和实时。在设计爬虫框架的时候,围绕的点是异步任务队列。工程上爬虫框架会提供一个高效的数据处理流水线,并可适配多种任务队列。

gz-spider分为三个组成部分,fetcher,strategy和processer。

  • fetcher抓取器,其中包含常用的http和puppeteer,并且可以挂各种类型的代理。
  • strategy策略中心,负责配置爬取失败后的各种策略。
  • processer负责从原始数据结构处理为目标数据的过程,也是爬虫框架用户要写的部分

License

MIT

以上就是NodeJs爬虫框架Spider基础使用教程的详细内容,更多关于NodeJs爬虫框架Spider的资料请关注脚本之家其它相关文章!

相关文章

  • nodejs微信开发之自动回复的实现

    nodejs微信开发之自动回复的实现

    这篇文章主要介绍了nodejs微信开发之自动回复的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2019-03-03
  • Node.js中npm 和 peerDependencies的使用

    Node.js中npm 和 peerDependencies的使用

    本文详细介绍了npm中的peerDependencies和--legacy-peer-deps使用,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2025-01-01
  • 如何设置process.env.NODE_ENV生产环境模式

    如何设置process.env.NODE_ENV生产环境模式

    process.env.NODE_ENV默认只有两种状态即development和production,本文主要介绍了process.env.NODE_ENV设置生产环境模式,感兴趣的可以了解一下
    2021-09-09
  • 详解使用PM2管理nodejs进程

    详解使用PM2管理nodejs进程

    本篇文章主要介绍了详解使用PM2管理nodejs进程,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2017-10-10
  • nodejs dgram模块广播+组播的实现示例

    nodejs dgram模块广播+组播的实现示例

    这篇文章主要介绍了nodejs dgram模块广播+组播的实现示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2019-11-11
  • node.js中koa和express的差异对比

    node.js中koa和express的差异对比

    Express和koa都是服务端的开发框架,服务端开发的重点是对HTTP Request和HTTP Response两个对象的封装和处理,下面这篇文章主要给大家介绍了关于node.js中koa和express的差异对比,需要的朋友可以参考下
    2023-05-05
  • Sequelize中用group by进行分组聚合查询

    Sequelize中用group by进行分组聚合查询

    大家都知道在SQL查询中,分组查询是较常用的一种查询方式。分组查询是指通过GROUP BY关键字,将查询结果按照一个或多个字段进行分组,分组时字段值相同的会被分为一组。在Node.js基于Sequelize的ORM框架中,同样支持分组查询,使用非常简单方便。下面来看看详细的介绍。
    2016-12-12
  • nodeJs链接Mysql做增删改查的简单操作

    nodeJs链接Mysql做增删改查的简单操作

    本篇文章主要介绍了nodeJs链接Mysql做增删改查的简单操作,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2017-02-02
  • nodejs执行javaScript原理超详细讲解

    nodejs执行javaScript原理超详细讲解

    Node.js是目前非常流行的JavaScript运行环境,其背后有着强大的libuv库支撑其非阻塞I/O操作,这篇文章主要介绍了nodejs执行javaScript原理的相关资料,文中通过代码介绍的非常详细,需要的朋友可以参考下
    2025-11-11
  • Node.js web 应用如何封装到Docker容器中

    Node.js web 应用如何封装到Docker容器中

    这篇文章主要介绍了Node.js web 应用如何封装到Docker容器中,帮助大家更好的学习node.js和使用docker容器,感兴趣的朋友可以了解下
    2020-09-09

最新评论