本篇是使用 nodejs 寫爬蟲系列教程的第一篇, 介紹了使用 nodejs 寫爬蟲過程中常用的模塊和一些必須掌握的 js 語法

<!-- more -->

常用模塊

常用模塊有以下幾個:

fs-extra

superagent

cheerio

log4js

sequelize

chalk

puppeteer

fs-extra

使用 async/await 的前提是必須將接口封裝成 promise, 看一個簡單的例子:

const sleep = (milliseconds) => {return new Promise((resolve, reject) => {setTimeout(() => resolve(), milliseconds)}) } ? const main = async () => {await sleep(5000);console.log('5秒后...'); } ? main();

通過在 async 函數中使用 await + promise 的方式來組織異步代碼就像是同步代碼一般，非常的自然和有助于我們分析代碼的執行流程。

在 node 中， fs 模塊是一個很常用的操作文件的 native 模塊，fs (file system) 模塊提供了和文件系統相關的一些同步和異步的 api, 有時候使用同步 api 非常有必要，比如你要在一個自己寫的模塊中的在訪問文件后導出一些接口時，這個時候用同步的 api 就很實用。看個例子：

const path = require('path'); const fs = require('fs-extra'); const { log4js } = require('../../config/log4jsConfig'); const log = log4js.getLogger('qupingce'); ? const createModels = () => {const models = {};const fileNames = fs.readdirSync(path.resolve(__dirname, '.')); ?fileNames.filter(fileName => fileName !== 'index.js').map(fileName => fileName.slice(0, -3)).forEach(modelName => {log.info(`Sequelize define model ${modelName}!`);models[modelName] = require(path.resolve(__dirname, `./${modelName}.js`));})return models; } ? module.exports = createModels();

這個模塊訪問了當前目錄下所有的 model 模塊并導出 models, 如果是使用異步接口也就是 fs.readdir, 這樣的話你在別的模塊導入這個模塊是獲取不到 models 的， 原因是 require 是同步操作，而接口是異步的，同步代碼無法立即獲得異步操作的結果。

為了充分發揮 node 異步的優勢，我們還是應該盡量使用異步接口。

我們完全可以使用 fs-extra 模塊來代替 fs 模塊, 類似的模塊還有 mz。fs-extra 包含了所有的 fs 模塊的接口，還對每個異步接口提供了promise 支持，更棒的是 fs-extra 還提供了一些其它的實用文件操作函數， 比如刪除移動文件的操作。更詳細的介紹請查看官方倉庫 fs-extra。

superagent

superagent 是一個 node 的 http client, 可以類比 java 中的 httpclient 和 okhttp, python 中的 requests。可以讓我們模擬 http 請求。superagent 這個庫有很多實用的特點。

superagent 會根據 response 的 content-type 自動序列化，通過 response.body 就可以獲取到序列化后的返回內容

這個庫會自動緩存和發送 cookies, 不需要我們手動管理 cookies

再來就是它的 api 是鏈式調用風格的，調用起來很爽，不過使用的時候要注意調用順序

它的異步 api 都是返回 promise的。

非常方便有木有 。官方文檔就是很長的一頁，目錄清晰，很容易就搜索到你需要的內容。最后，superagent 還支持插件集成，比如你需要在超時后自動重發，可以使用 superagent-retry。更多插件可以去 npm 官網上搜索關鍵字 superagent-。更多詳情查看官方文檔superagent

// 官方文檔的一個調用示例 request.post('/api/pet').send({ name: 'Manny', species: 'cat' }).set('X-API-Key', 'foobar').set('Accept', 'application/json').then(res => {alert('yay got ' + JSON.stringify(res.body));});

cheerio

寫過爬蟲的人都知道, 我們經常會有解析 html 的需求, 從網頁源代碼中爬取信息應該是最基礎的爬蟲手段了。python 中有 beautifulsoup, java 中有 jsoup, node 中有 cheerio。

cheerio 是為服務器端設計的，給你近乎完整的 jquery 體驗。使用 cheerio 來解析 html 獲取元素，調用方式和 jquery 操作 dom 元素用法完全一致。而且還提供了一些方便的接口, 比如獲取 html, 看一個例子:

const cheerio = require('cheerio') const $ = cheerio.load('<h2 class="title">Hello world</h2>') ? $('h2.title').text('Hello there!') $('h2').addClass('welcome') ? $.html() //=> <h2 class="title welcome">Hello there!</h2>

官方倉庫: cheerio

log4js

log4j 是一個為 node 設計的日志模塊。 場景簡單情況下可以考慮使用 debug 模塊。 log4js 比較符合我對日志庫的需求，其實他倆定位也不一樣，debug 模塊是為調試而設計的，log4js 則是一個日志庫，肯定得提供文件輸出和分級等常規功能。

log4js 模塊看名字有點向 java 中很有名的日志庫 log4j 看齊的節奏。log4j 有以下特點:

可以自定義 appender(輸出目標)，lo4js 甚至提供了輸出到郵件等目標的 appender

通過組合不同的 appender, 可以實現不同目的的 logger(日志器)

提供了日志分級功能，官方的 FAQ 中提到了如果要對 appender 實現級別過濾，可以使用 logLevelFilter

提供了滾動日志和自定義輸出格式

下面通過我最近一個爬蟲項目的配置文件來感受以下這個庫的特點:

const log4js = require('log4js'); const path = require('path'); const fs = require('fs-extra'); ? const infoFilePath = path.resolve(__dirname, '../out/log/info.log'); const errorFilePath = path.resolve(__dirname, '../out/log/error.log'); log4js.configure({appenders: {dateFile: {type: 'dateFile',filename: infoFilePath,pattern: 'yyyy-MM-dd',compress: false},errorDateFile: {type: 'dateFile',filename: errorFilePath,pattern: 'yyyy-MM-dd',compress: false,},justErrorsToFile: {type: 'logLevelFilter',appender: 'errorDateFile',level: 'error'},out: {type: 'console'}},categories: {default: {appenders: ['out'],level: 'trace'},qupingce: {appenders: ['out', 'dateFile', 'justErrorsToFile'],level: 'trace'}} }); ? ? const clear = async () => {const files = await fs.readdir(path.resolve(__dirname, '../out/log'));for (const fileName of files) {fs.remove(path.resolve(__dirname, `../out/log/${fileName}`));} } ? ? module.exports = {log4js,clear }

sequelize

寫項目我們往往會有持久化的需求，簡單的場景可以使用 JSON 保存數據，如果數據量比較大還要便于管理，那么我們就要考慮用數據庫了。如果是操作 mysql 和 sqllite 建議使用 sequelize, 如果是 mongodb, 我更推薦用專門為 mongodb 設計的 mongoose

sequelize 有幾點我覺得還是有點不太好，比如默認生成 id (primary key), createdAt 和 updatedAt。

拋開一些自作主張的小毛病，sequelize 設計的還是很好的。內置的操作符，hooks, 還有 validators 很有意思。sequelize 還提供了 promise 和 typescript 支持。如果是使用 typescript 開發項目，還有另外一個很好的 orm 選擇 : typeorm。更多內容可以查看官方文檔: sequelize

chalk

chalk 中文意思是粉筆的意思，這個模塊是 node 很有特色和實用的一個模塊，它可以為你輸出的內容添加顏色， 下劃線， 背景色等裝飾。當我們寫項目的時候往往需要記錄一些步驟和事件，比如打開數據庫鏈接，發出 http 請求等。我們可以適當使用 chalk 來突出某些內容，例如請求的 url 加上下劃線。

const logRequest = (response, isDetailed = false) => {const URL = chalk.underline.yellow(response.request.url);const basicInfo = `${response.request.method} Status: ${response.status} Content-Type: ${response.type} URL=${URL}`;if (!isDetailed) {logger.info(basicInfo);} else {const detailInfo = `${basicInfo}ntext: ${response.text}`;logger.info(detailInfo);} };

調用上面的 logRequest效果:

更多內容查看官方倉庫chalk

puppeteer

如果這個庫沒聽說過，你可能聽說過 selenium。puppeteer 是 Google Chrome 團隊開源的一個通過 devtools 協議操縱 chrome 或者Chromium 的 node 模塊。Google 出品，質量有所保證。這個模塊提供了一些高級的 api, 默認情況下，這個庫操縱的瀏覽器用戶是看不到界面的，也就是所謂的無頭(headless)瀏覽器。當然可以通過配置一些參數來啟動有界面的模式。在 chrome 中還有一些專門錄制 puppeteer 操作的擴展, 比如Puppeteer Recorder。使用這個庫我們可以用來抓取一些通過 js 渲染而不是直接存在于頁面源代碼中的信息。比如 spa 頁面，頁面內容都是 js 渲染出來的。這個時候 puppeteer 就為我們解決了這個問題，我們可以調用 puppeteer 在頁面某個標簽出現時獲取到頁面當時的渲染出來的 html。事實上，往往很多比較困難的爬蟲解決的最終法寶就是操縱瀏覽器。

前置的 js 語法

async/await

首先要提的就是 async/await, 因為 node 在很早的時候(node 8 LTS)就已經支持 async/await, 現在寫后端項目沒理由不用 async/await了。使用 async/await 可以讓我們從回調煉獄的困境中解脫出來。這里主要提一下關于使用async/await 時可能會碰到的問題

使用 async/await 怎樣并發？

來看一段測試代碼:

const sleep = (milliseconds) => {return new Promise((resolve, reject) => {setTimeout(() => resolve(), milliseconds)}) } ? const test1 = async () => {for (let i = 0, max = 3; i < max; i++) {await sleep(1000);} } ? const test2 = async () => {Array.from({length: 3}).forEach(async () => {await sleep(1000);}); } ? const main = async () => {console.time('測試 for 循環使用 await');await test1();console.timeEnd('測試 for 循環使用 await'); ?console.time('測試 forEach 調用 async 函數')await test2();console.timeEnd('測試 forEach 調用 async 函數') } ? main();

運行結果是:

測試 for 循環使用 await: 3003.905ms 測試 forEach 調用 async 函數: 0.372ms

我想可能會有些人會認為測試 forEach 的結果會是 1 秒左右，事實上測試2等同于以下代碼:

const test2 = async () => {// Array.from({length: 3}).forEach(async () => {// await sleep(1000);// });Array.from({length: 3}).forEach(() => {sleep(1000);}); }

從上面的運行結果也可以看出直接在 for 循環中使用 await + promise, 這樣等同于同步調用, 所以耗時是 3 秒左右。如果要并發則應該直接調用 promise, 因為 forEach 是不會幫你 await 的，所以等價于上面的代碼，三個任務直接異步并發了。

處理多個異步任務

上面的代碼還有一個問題，那就是測試2中并沒有等待三個任務都執行完就直接結束了，有時候我們需要等待多個并發任務結束之后再執行后續任務。其實很簡單，利用下 Promise 提供的幾個工具函數就可以了。

const sleep = (milliseconds, id='') => {return new Promise((resolve, reject) => {setTimeout(() => {console.log(`任務${id}執行結束`)resolve(id);}, milliseconds)}) }const test2 = async () => {const tasks = Array.from({length: 3}).map((ele, index) => sleep(1000, index));const resultArray = await Promise.all(tasks);console.log({ resultArray} )console.log('所有任務執行結束'); }const main = async () => {console.time('使用 Promise.all 處理多個并發任務')await test2();console.timeEnd('使用 Promise.all 處理多個并發任務') }main()

運行結果:

任務0執行結束 任務1執行結束 任務2執行結束 { resultArray: [ 0, 1, 2 ] } 所有任務執行結束 使用 Promise.all 處理多個并發任務: 1018.628ms

除了 Promise.all, Promise 還有 race 等接口，不過最常用應該就是 all 和 race 了。

正則表達式

正則表達式是處理字符串強有力的工具。核心是匹配，由此衍生出提取，查找， 替換的等操作。

有時候我們通過 cheerio 中獲取到某個標簽內的文本時，我們需要提取其中的部分信息，這個時候正則表達式就該上場了。正則表達式的相關語法這里就不詳細說明了， 入門推薦看廖雪峰的正則表達式教程。來看個實例:

// 服務器返回的 img url 是: /GetFile/getUploadImg?fileName=9b1cc22c74bc44c8af78b46e0ca4c352.png // 現在我只想提取文件名，后綴名也不要 const imgUrl = '/GetFile/getUploadImg?fileName=9b1cc22c74bc44c8af78b46e0ca4c352.png'; const imgReg = //GetFile/getUploadImg?fileName=(.+)..+/; const imgName = imgUrl.match(imgReg)[1]; console.log(imgName); // => 9b1cc22c74bc44c8af78b46e0ca4c352

暫時先介紹到這里了，后續有更多內容會繼續補充。

本文為原創內容，首發于個人博客, 轉載請注明出處。如果有問題歡迎郵件騷擾 ytj2713151713@gmail.com。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的js foreach用法_使用 nodejs 写爬虫(一): 常用模块和 js 语法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。