Repository files navigation

演示爬虫目前部署在 heroku 上，请酌情测试使用

爬虫模块可以单独调用。调用示例请查看crawl.test.js。或者HttpProxy项目。数据库使用的是 mlab 提供的免费的远程数据库，速度较慢，请耐性等待。

运行平台: Linux、 MacOS ... Windows 没测试

基于 NodeJS 的在线爬虫系统。支持提供在线数据 API。

1、当你想在自己的网站添加一个小的新闻模块时，你可以利用 WebSpider 爬虫爬取指定网站的数据，然后在后端或者前端请求数据接口，再将获得的数据构造到你的网页上。

2、当你想做个聚合网站或者聚合 app 时，你可以利用 WebSpider 爬取各大站点的数据，然后调用 API，构造数据到自己的 APP 中。

...

由此,WebSpider 诞生了。

• WebSpider
  • 特性
  • 本地测试
  • 项目目录
  • 核心代码
  • 使用
    • 爬取深度
    • 网页编码
    • 抓取模式
    • 页码范围
    • 目标网址
    • 选择器
    • 输出格式
    • 代理模式
    • 结果预览
    • 生成 API
    • 更新间隔
    • 标签
    • 开放权限
    • 描述信息
  • 数据接口调用示例
  • 示例配置参考
  • 更新日志
  • 注意
  • TODO
  • 协议

*简单、方便。只要掌握简单的网页知识，即可利用 WebSpider 在线爬虫系统，进行简单的配置之后，可进行数据抓取预览。*功能强大。支持抓取预览，定制输出，生成 API，API 管理，查看分享，登录注册等功能。 *响应速度快。抓取结果保存在数据库中，根据用户配置更新响应数据。

该爬虫为了满足通用性(即可通过页面配置就可以抓取各种各样的网站)),因而原理相对简单,就是下载 HTML 网页进行分析。分析库使用了采用 JQuery 核心库的 cheerio.通过标签选择器和属性选择器即可获取数据.这样的局限性在于无法抓取 Ajax 异步获取的数据。但考虑到当今互联网上还有大部分 Web 应用没有过度到现代应用架构，因而该爬虫还是有很大的实用价值。

1、安装 Nodejs,MongoDB,Git,Redis

2、保证程序有写文件权限

3、运行代码

git clone https://github.com/LuckyHH/WebSpider.gitcd WebSpidernpm install

4、启动 Redis、MongoDB

5、修改配置文件(src/config)-自定义启动端口，数据库名，Redis 等

6、运行npm start启动项目

7，打开http://localhost:3000

|---docs 模块说明文档||---env.md 环境说明||---issues.md 相关问题说明||---proxy.md 代理说明||---router.md 接口文档||---history.md 更新日志||---panel.md 前端面板说明|---log 日志文件(按天新建日志文件)||---error 错误日志||---running 运行日志|---src 源代码||---config 配置||---index.js 配置项出口控制||---dev 开发模式配置项||---index.js 开发模式配置项出口||---crawl.js 爬虫相关配置项||---db.js 数据库配置项||---proxy.js 代理配置项||---session.js 会话配置项||---redis.js redis配置项||---api.js API请求频率限制配置||---prod 生产模式配置项||---test 测试模式配置项||---crawl 爬虫||---index.js 爬虫主控文件||---mapReqUrl.js 并发请求||---fetchResult 爬虫核心||---proxy 代理||---index.js 可用代理检测模块||---data 数据目录||---config.json 爬虫配置文件||---model 数据模型||---index.js 模型出口||---user.js 用户模型||---crawl.js 爬虫模型||---statistics.js API统计模型||---router Web应用路由||---utils 路由部分需要的辅助函数||---verification.js 用户输入验证||---index.js 路由出口||---user.js 用户路由||---crawl.js 爬虫接口路由||---proxy.js 代理检测路由||---utils 辅助函数||---index.js 辅助函数出口||---debug.js 调试模块||---filter.js 用户输入过滤模块||---sha.js 加密模块||---splice.js 多维数组转化为一维数组||---time.js 格式化时间||---uuid.js 获取ID模块||---isNaN.js 判断参数是否能转化为数字||---test 测试文件||---crawl.test.js 爬虫测试||---router.test.js 路由测试||---utils.test.js 功能函数测试||---index.js 应用出口|---static 静态资源文件夹|---app.js 应用入口

constKoa=require('koa')constsuperagent=require('superagent')constcheerio=require('cheerio')constapp=newKoa()app.use(asyncfunction(ctx,next){if(ctx.request.path=='/'&&ctx.request.method=='GET'){ctx.body=awaitnewPromise((resolve,reject)=>{superagent.get('https://cnodejs.org/').end(function(err,_res){if(err){reject(err)}const$=cheerio.load(_res.text)$('.topic_title').each(function(idx,element){var$element=$(element)items.push({title:$element.attr('title'),url:$element.attr('href'),})})resolve(items)})})}else{next()}})app.listen(3000)

爬取深度指的是从初始网址经过几层到达数据所在网址。最大支持的爬取深度为 3，推荐使用的最大爬取深度为 2

目标网页的编码格式，默认为 UTF-8

普通模式与分页模式

在分页模式下，抓取的起止页码

目标网址即要爬取的目标网站的网址。

普通模式下只需填写要抓取的网址即可。

分页模式下:

网址填写时，将网址中的页码改为*即可

例如:

CNode 的分页网址

https://cnodejs.org/?tab=good&page=10

改为

https://cnodejs.org/?tab=good&page=*

选择器用来指出数据所在的位置，配合"输出格式"即可获得目标数据。填写需要用户具有基本的前端知识。

这里为了描述方便，将标签选择器分为两种，一种是 a 标签选择器与数据标签选择器。(当然，如果你想要的数据在 a 标签中，那么 a 标签选择器就是数据标签选择器)

当抓取深度为 1，则一级选择器中填写数据选择器即可。当抓取深度为 2，则一级选择器中填写到达第二层页面的 a 标签选择器，二级选择器填写数据标签选择器。当抓取深度为 3，则一级选择器中填写到达第二层页面的 a 标签选择器，二级选择器中填写到达第三层页面的 a 标签选择器，三级选择器填写数据选择器即可。

填写示例:

深度为 2

一级选择器:$(".topic_title a")

二级选择器:$(".topic .content")

$(".topic_title a")是指目标页面中所有类名为 topic_title 的元素中的 a 元素

$(".topic .content")指的是目标页面中类名为 topic 的元素下的类名为 content 的子孙元素

填写了两级选择器，说明目标数据在当前页面(即配置页面"目标网址"填写的网址)的下一层，则一级选择器需要指出到达下一层页面的 a 标签选择器。二级选择器填写的是下一层页面中的数据标签选择器

更多选择器填写规则，参考cheerio。

输出格式指的是输出哪些结果。

由标签选择器指出数据所在的位置后，还需要进一步使用标签选择器和属性选择器来获得数据。

这里需要写成 JSON 格式，参考写法如下：

{"name":"$element.find('.c-9 .ml-20 a').text()","age":"$element.children('.c-9').next().text()"}

键部分可以随意指定，值部分填写需要一定的规则。

$element是指"选择器"中填写的数据标签选择器。(结合"选择器"给出的示例，$element指的是$(".topic .content")）

键为 name 的值指 "选择器"筛选出的元素下的类名为 c-9 的元素下的类名 ml-20 下的 a 元素中的文本

键为 age 的值指 "选择器"筛选出的元素下的类名为 c-9 的元素下一个元素的文本内容

值得注意的是，当你需要的数据种类只有 1 种，你完全可以在"选择器"中填写标签选择器时，直接将标签定位到目标元素，在"输出格式"中，填写属性选择器即可。

但往往我们需要的数据种类不止一种，所以在填写"选择器"部分时，需要填写的数据标签选择器要将所有需要的数据包裹在内，所以甚至可以填写$("body")这样的数据选择器。在填写"输出格式"的值部分，需要填写一些选择器指明数据详细位置，最后使用属性选择器即可获得数据。

同样结合上文给出的示例，

如果我要想获得 'name' 值这一类数据，

那么"选择器"可以这样写

一级选择器:$(".topic_title a")

二级选择器:$(".topic .content .c-9 .ml-20 a")

'输出格式'可以这样写

{"name":"$element.text()"}

或者

'选择器':

一级选择器:$(".topic_title a")

二级选择器:$(".topic").find('.content .c-9 .ml-20 a')

'输出格式':

{"name":"$element.text()"}

或者

'选择器':

一级选择器:$(".topic_title a")

二级选择器:$(".topic")

'输出格式':

{"name":"$element.find('.content .c-9 .ml-20 a').text()"}

或者

'选择器':

一级选择器:$(".topic_title a")

二级选择器:$("body")

'输出格式':

{"name":"$element.find('.topic .content .c-9 .ml-20 a').text()"}

常用的属性选择器有 text(),html(),attr()这三种

text()选择的是目标元素中的文本内容

html()选择的是目标元素的 HTML 代码

attr()选择的是目标元素标签中的某个属性值。需要填写参数，比如$element.attr('url')指的是获取目标元素标签中的 url 属性值

即抓取数据是否需要使用 HTTP 代理。有 3 种模式，内置代理,无代理与自定义代理。

内置代理使用西刺代理或FreeProxyList可用的代理地址发出请求。

自定义代理模式需要用户自己填写可用代理。

无代理使用部署服务器 IP 进行请求

注:

(1)自定义代理地址填写不符合正常 IP 地址的话，系统默认使用无代理模式。

(2)代理质量参差不齐，所以可能响应失败。所以当响应失败时，请重新提交。

返回结果中

state 表示抓取状态，值为 true 或者 false

time 值为数据的更新时间。

data 值为抓取结果，格式为数组。

msg 备注

数据接口只在用户登录情况下生成。点击"生成 API"按钮，后台会记录当前的爬虫配置，请求 API 时会在合适的情况下调用爬虫进行响应。

两次 API 调用间隔时间如果在"更新间隔"时间段内，则直接调用数据库数据进行响应，否则将调用爬虫程序进行响应。所有初始生成的 API 默认更新间隔为 0，表示不更新数据，直接从数据库读取数据。

注意根据需求合理配置该项，"更新间隔"配置值较大或者为 0，API 平均响应速度快，但时效性较差；配置值较小，API 平均响应速度慢，但时效性较好。

注意:在点击"生成 API"之后，在进行 API"编辑"操作调整"更新间隔"之前，一定要到"管理面板"中，点击一次生成的 API 链接完成抓取数据的初始化。否则调用 API 返回结果永远为空。补救措施:当发现返回结果为空，可再次进行 API“编辑”操作，将"更新间隔"调整为 0，点击 API 链接初始化一次数据，初始化成功之后即可调整"更新间隔"

为了方便用户找到某一类的 API，添加标签功能

控制是否将 API 共享。API 权限开放后，即可在"API Store"面板看到该 API 信息

API 描述信息。

Node.js 后端

constexpress=require('express')constaxios=require('axios')constrouter=express.Router()router.get('/douban/movie',function(req,res,next){axios.get('http://splider.docmobile.cn/interface?name=luckyhh&cid=1529046160624').then((_res)=>{if(_res.data.state){res.render('douban',{title:'douban',content:_res.data.data})}else{res.send('请求失败')}}).catch((err)=>{console.error(err)})})

注意: 程序后台对 API 调用频率进行限制，示例为了方便直接将 API 链接请求结果构造到了模板中，实际调用时，请将请求结果保存到 redis 或数据库中，否则会造成数据响应失败的情况

*WebSpider 参考配置

WebSpider 更新日志

https://spider.docmobile.cn/

为预览地址，不推荐使用到实际项目中。由此带来的损失，由用户自行承担

• 对 GBK 网页格式的抓取支持
• 支持模式选择，可抓取分页列表
• API 调用频率限制
• API 调用统计(按时间统计)
• 定义请求头
• 添加 HTTP 代理
• JSONP 调用支持(v3 版本移除)
• 前后端分离,WebSpiderPanel
• 超级用户后台管理面板
• 普通用户信息管理，查看自己 API 调用情况

MIT