基于 TypeScript/Node 從 0 到 1 搭建一款爬蟲工具
前言
今天，我們將使用TS這門語(yǔ)言搭建一款爬蟲工具。目標(biāo)網(wǎng)址是什么呢？我們?nèi)ド暇W(wǎng)一搜，經(jīng)過幾番排查之后，我們選定了這一個(gè)網(wǎng)站。
一個(gè)視頻網(wǎng)站，我們的目的主要是爬取這個(gè)網(wǎng)站上視頻的播放鏈接。下面，我們就開始進(jìn)行第一步。
第一步
俗話說，萬(wàn)事開頭難。不過對(duì)于這個(gè)項(xiàng)目而言，恰恰相反。你需要做以下幾個(gè)事情：
- 我們需要?jiǎng)?chuàng)建一個(gè)項(xiàng)目文件夾
- 鍵入命令，初始化項(xiàng)目
npm init -y
- 局部安裝typescript
npm install typescript -D
- 接著鍵入命令，生成ts配置文件
tsc --init
- 局部安裝ts-node，用于命令行輸出命令
npm install -D ts-node
- 在項(xiàng)目文件夾中創(chuàng)建一個(gè)src文件夾
然后我們?cè)趕rc文件夾中創(chuàng)建一個(gè)crawler.ts文件。
- 在package.json文件中修改快捷啟動(dòng)命令
"scripts": {
"dev-t": "ts-node ./src/crawler.ts"
}第二步
接下來(lái)，我們將進(jìn)行實(shí)戰(zhàn)操作，也就是上文中crawler.ts文件是我們的主戰(zhàn)場(chǎng)。
我們首先需要引用的這幾個(gè)依賴，分別是
import superagent from "superagent";
import cheerio from "cheerio";
import fs from "fs";
import path from "path";
所以，我們會(huì)這樣安裝依賴：
superagent作用是獲取遠(yuǎn)程網(wǎng)址html的內(nèi)容。
npm install superagent
cheerio作用是可以通過jQ語(yǔ)法獲取頁(yè)面節(jié)點(diǎn)的內(nèi)容。
npm install cheerio
剩余兩個(gè)依賴fs，path。它們是node內(nèi)置依賴，直接引入即可。
我們完成了安裝依賴，但是會(huì)發(fā)現(xiàn)你安裝的依賴上會(huì)有紅色報(bào)錯(cuò)。原因是這樣的，superagent和cheerio內(nèi)部都是用JS寫的，并不是TS寫的，而我們現(xiàn)在的環(huán)境是TS。所以我們需要翻譯一下，我們將這種翻譯文件又稱類型定義文件（以.d.ts為后綴）。我們可以使用以下命令安裝類型定義文件。
npm install -D @types/superagent
npm install -D @types/cheerio
接下來(lái)，我們就認(rèn)認(rèn)真真看源碼了。
- 安裝完兩個(gè)依賴后，我們需要?jiǎng)?chuàng)建一個(gè)Crawler類，并且將其實(shí)例化。
import superagent from "superagent";
import cheerio from "cheerio";
import fs from "fs";
import path from "path";
class Crawler {
constructor() {
}
}
const crawler = new Crawler();
- 我們確定下要爬取的網(wǎng)址，然后賦給一個(gè)私有變量。最后我們會(huì)封裝一個(gè)getRawHtml方法來(lái)獲取對(duì)應(yīng)網(wǎng)址的內(nèi)容。
getRawHtml方法中我們使用了async/await關(guān)鍵字，主要用于異步獲取頁(yè)面內(nèi)容，然后返回值。
import superagent from "superagent";
import cheerio from "cheerio";
import fs from "fs";
import path from "path";
class Crawler {
private url = "https://www.hanju.run/play/39221-4-0.html";
async getRawHtml() {
const result = await superagent.get(this.url);
return result.text;
}
async initSpiderProcess() {
const html = await this.getRawHtml();
}
constructor() {
this.initSpiderProcess();
}
}
const crawler = new Crawler();
- 使用cheerio依賴內(nèi)置的方法獲取對(duì)應(yīng)的節(jié)點(diǎn)內(nèi)容。
我們通過getRawHtml方法異步獲取網(wǎng)頁(yè)的內(nèi)容，然后我們傳給getJsonInfo這個(gè)方法，注意是string類型。我們這里通過cheerio.load(html)這條語(yǔ)句處理，就可以通過jQ語(yǔ)法來(lái)獲取對(duì)應(yīng)的節(jié)點(diǎn)內(nèi)容。我們獲取到了網(wǎng)頁(yè)中視頻的標(biāo)題以及鏈接，通過鍵值對(duì)的方式添加到一個(gè)對(duì)象中。注：我們?cè)谶@里定義了一個(gè)接口，定義鍵值對(duì)的類型。
import superagent from "superagent";
import cheerio from "cheerio";
import fs from "fs";
import path from "path";
interface Info {
name: string;
url: string;
}
class Crawler {
private url = "https://www.hanju.run/play/39221-4-0.html";
getJsonInfo(html: string) {
const $ = cheerio.load(html);
const info: Info[] = [];
const scpt: string = String($(".play>script:nth-child(1)").html());
const url = unescape(
scpt.split(";")[3].split("(")[1].split(")")[0].replace(/\"/g, "")
);
const name: string = String($("title").html());
info.push({
name,
url,
});
const result = {
time: new Date().getTime(),
data: info,
};
return result;
}
async getRawHtml() {
const result = await superagent.get(this.url);
return result.text;
}
async initSpiderProcess() {
const html = await this.getRawHtml();
const info = this.getJsonInfo(html);
}
constructor() {
this.initSpiderProcess();
}
}
const crawler = new Crawler();
- 我們首先要在項(xiàng)目根目錄下創(chuàng)建一個(gè)data文件夾。然后我們將獲取的內(nèi)容我們存入文件夾內(nèi)的url.json文件（文件自動(dòng)生成）中。
我們將其封裝成getJsonContent方法，在這里我們使用了path.resolve來(lái)獲取文件的路徑。fs.readFileSync來(lái)讀取文件內(nèi)容，fs.writeFileSync來(lái)將內(nèi)容寫入文件。注：我們分別定義了兩個(gè)接口objJson與InfoResult。
import superagent from "superagent";
import cheerio from "cheerio";
import fs from "fs";
import path from "path";
interface objJson {
[propName: number]: Info[];
}
interface Info {
name: string;
url: string;
}
interface InfoResult {
time: number;
data: Info[];
}
class Crawler {
private url = "https://www.hanju.run/play/39221-4-0.html";
getJsonInfo(html: string) {
const $ = cheerio.load(html);
const info: Info[] = [];
const scpt: string = String($(".play>script:nth-child(1)").html());
const url = unescape(
scpt.split(";")[3].split("(")[1].split(")")[0].replace(/\"/g, "")
);
const name: string = String($("title").html());
info.push({
name,
url,
});
const result = {
time: new Date().getTime(),
data: info,
};
return result;
}
async getRawHtml() {
const result = await superagent.get(this.url);
return result.text;
}
getJsonContent(info: InfoResult) {
const filePath = path.resolve(__dirname, "../data/url.json");
let fileContent: objJson = {};
if (fs.existsSync(filePath)) {
fileContent = JSON.parse(fs.readFileSync(filePath, "utf-8"));
}
fileContent[info.time] = info.data;
fs.writeFileSync(filePath, JSON.stringify(fileContent));
}
async initSpiderProcess() {
const html = await this.getRawHtml();
const info = this.getJsonInfo(html);
this.getJsonContent(info);
}
constructor() {
this.initSpiderProcess();
}
}
const crawler = new Crawler();
- 運(yùn)行命令
npm run dev-t
- 查看生成文件的效果
{
"1610738046569": [
{
"name": "《復(fù)仇者聯(lián)盟4：終局之戰(zhàn)》HD1080P中字m3u8在線觀看-韓劇網(wǎng)",
"url": "https://wuxian.xueyou-kuyun.com/20190728/16820_302c7858/index.m3u8"
}
],
"1610738872042": [
{
"name": "《鋼鐵俠2》HD高清m3u8在線觀看-韓劇網(wǎng)",
"url": "https://www.yxlmbbs.com:65/20190920/54uIR9hI/index.m3u8"
}
],
"1610739069969": [
{
"name": "《鋼鐵俠2》中英特效m3u8在線觀看-韓劇網(wǎng)",
"url": "https://tv.youkutv.cc/2019/11/12/mjkHyHycfh0LyS4r/playlist.m3u8"
}
]
}準(zhǔn)結(jié)語(yǔ)
到這里真的結(jié)束了嗎？
不！
不！
不！
真的沒有結(jié)束。
我們會(huì)看到上面一坨代碼，真的很臭~
我們將分別使用組合模式與單例模式將其優(yōu)化。
優(yōu)化一：組合模式
組合模式（Composite Pattern），又叫部分整體模式，是用于把一組相似的對(duì)象當(dāng)作一個(gè)單一的對(duì)象。組合模式依據(jù)樹形結(jié)構(gòu)來(lái)組合對(duì)象，用來(lái)表示部分以及整體層次。這種類型的設(shè)計(jì)模式屬于結(jié)構(gòu)型模式，它創(chuàng)建了對(duì)象組的樹形結(jié)構(gòu)。
這種模式創(chuàng)建了一個(gè)包含自己對(duì)象組的類。該類提供了修改相同對(duì)象組的方式。
簡(jiǎn)言之，就是可以像處理簡(jiǎn)單元素一樣來(lái)處理復(fù)雜元素。
首先，我們?cè)趕rc文件夾下創(chuàng)建一個(gè)combination文件夾，然后在其文件夾下分別在創(chuàng)建兩個(gè)文件crawler.ts和urlAnalyzer.ts。
crawler.ts
crawler.ts文件的作用主要是處理獲取頁(yè)面內(nèi)容以及存入文件內(nèi)。
import superagent from "superagent";
import fs from "fs";
import path from "path";
import UrlAnalyzer from "./urlAnalyzer.ts";
export interface Analyzer {
analyze: (html: string, filePath: string) => string;
}
class Crowller {
private filePath = path.resolve(__dirname, "../../data/url.json");
async getRawHtml() {
const result = await superagent.get(this.url);
return result.text;
}
writeFile(content: string) {
fs.writeFileSync(this.filePath, content);
}
async initSpiderProcess() {
const html = await this.getRawHtml();
const fileContent = this.analyzer.analyze(html, this.filePath);
this.writeFile(fileContent);
}
constructor(private analyzer: Analyzer, private url: string) {
this.initSpiderProcess();
}
}
const url = "https://www.hanju.run/play/39257-1-1.html";
const analyzer = new UrlAnalyzer();
new Crowller(analyzer, url);
urlAnalyzer.ts
urlAnalyzer.ts文件的作用主要是處理獲取頁(yè)面節(jié)點(diǎn)內(nèi)容的具體邏輯。
import cheerio from "cheerio";
import fs from "fs";import { Analyzer } from "./crawler.ts";
interface objJson {
[propName: number]: Info[];
}
interface InfoResult {
time: number;
data: Info[];
}
interface Info {
name: string;
url: string;
}
export default class UrlAnalyzer implements Analyzer {
private getJsonInfo(html: string) {
const $ = cheerio.load(html);
const info: Info[] = [];
const scpt: string = String($(".play>script:nth-child(1)").html());
const url = unescape(
scpt.split(";")[3].split("(")[1].split(")")[0].replace(/\"/g, "")
);
const name: string = String($("title").html());
info.push({
name,
url,
});
const result = {
time: new Date().getTime(),
data: info,
};
return result;
}
private getJsonContent(info: InfoResult, filePath: string) {
let fileContent: objJson = {};
if (fs.existsSync(filePath)) {
fileContent = JSON.parse(fs.readFileSync(filePath, "utf-8"));
}
fileContent[info.time] = info.data;
return fileContent;
}
public analyze(html: string, filePath: string) {
const info = this.getJsonInfo(html);
console.log(info);
const fileContent = this.getJsonContent(info, filePath);
return JSON.stringify(fileContent);
}
}
可以在package.json文件中定義快捷啟動(dòng)命令。
然后使用npm run dev-c啟動(dòng)即可。
"scripts": {
"dev-c": "ts-node ./src/combination/crawler.ts"
},優(yōu)化二：?jiǎn)卫Ｊ?/strong>
單例模式（Singleton Pattern） 是 Java 中最簡(jiǎn)單的設(shè)計(jì)模式之一。這種類型的設(shè)計(jì)模式屬于創(chuàng)建型模式，它提供了一種創(chuàng)建對(duì)象的最佳方式。
這種模式涉及到一個(gè)單一的類，該類負(fù)責(zé)創(chuàng)建自己的對(duì)象，同時(shí)確保只有單個(gè)對(duì)象被創(chuàng)建。這個(gè)類提供了一種訪問其唯一的對(duì)象的方式，可以直接訪問，不需要實(shí)例化該類的對(duì)象。
應(yīng)用實(shí)例：
- 1、一個(gè)班級(jí)只有一個(gè)班主任。
- 2、Windows 是多進(jìn)程多線程的，在操作一個(gè)文件的時(shí)候，就不可避免地出現(xiàn)多個(gè)進(jìn)程或線程同時(shí)操作一個(gè)文件的現(xiàn)象，所以所有文件的處理必須通過唯一的實(shí)例來(lái)進(jìn)行。
- 3、一些設(shè)備管理器常常設(shè)計(jì)為單例模式，比如一個(gè)電腦有兩臺(tái)打印機(jī)，在輸出的時(shí)候就要處理不能兩臺(tái)打印機(jī)打印同一個(gè)文件。
同樣，我們?cè)趕rc文件夾下創(chuàng)建一個(gè)singleton文件夾，然后在其文件夾下分別在創(chuàng)建兩個(gè)文件crawler1.ts和urlAnalyzer.ts。
這兩個(gè)文件的作用與上文同樣，只不過代碼書寫不一樣。
crawler1.ts
import superagent from "superagent";
import fs from "fs";
import path from "path";
import UrlAnalyzer from "./urlAnalyzer.ts";
export interface Analyzer {
analyze: (html: string, filePath: string) => string;
}
class Crowller {
private filePath = path.resolve(__dirname, "../../data/url.json");
async getRawHtml() {
const result = await superagent.get(this.url);
return result.text;
}
private writeFile(content: string) {
fs.writeFileSync(this.filePath, content);
}
private async initSpiderProcess() {
const html = await this.getRawHtml();
const fileContent = this.analyzer.analyze(html, this.filePath);
this.writeFile(JSON.stringify(fileContent));
}
constructor(private analyzer: Analyzer, private url: string) {
this.initSpiderProcess();
}
}
const url = "https://www.hanju.run/play/39257-1-1.html";
const analyzer = UrlAnalyzer.getInstance();
new Crowller(analyzer, url);
urlAnalyzer.ts
import cheerio from "cheerio";
import fs from "fs";
import { Analyzer } from "./crawler1.ts";
interface objJson {
[propName: number]: Info[];
}
interface InfoResult {
time: number;
data: Info[];
}
interface Info {
name: string;
url: string;
}
export default class UrlAnalyzer implements Analyzer {
static instance: UrlAnalyzer;
static getInstance() {
if (!UrlAnalyzer.instance) {
UrlAnalyzer.instance = new UrlAnalyzer();
}
return UrlAnalyzer.instance;
}
private getJsonInfo(html: string) {
const $ = cheerio.load(html);
const info: Info[] = [];
const scpt: string = String($(".play>script:nth-child(1)").html());
const url = unescape(
scpt.split(";")[3].split("(")[1].split(")")[0].replace(/\"/g, "")
);
const name: string = String($("title").html());
info.push({
name,
url,
});
const result = {
time: new Date().getTime(),
data: info,
};
return result;
}
private getJsonContent(info: InfoResult, filePath: string) {
let fileContent: objJson = {};
if (fs.existsSync(filePath)) {
fileContent = JSON.parse(fs.readFileSync(filePath, "utf-8"));
}
fileContent[info.time] = info.data;
return fileContent;
}
public analyze(html: string, filePath: string) {
const info = this.getJsonInfo(html);
console.log(info);
const fileContent = this.getJsonContent(info, filePath);
return JSON.stringify(fileContent);
}
private constructor() {}
}
可以在package.json文件中定義快捷啟動(dòng)命令。
然后使用npm run dev-s啟動(dòng)即可。
"scripts": {
"dev-s": "ts-node ./src/singleton/crawler1.ts",
},結(jié)語(yǔ)
這下真的結(jié)束了，謝謝閱讀。希望可以幫到你。
完整源碼地址：
