程序員導航站：https://iiter.cn

The summer is coming

我知道，那些夏天，就像青春一樣回不來。 - 宋冬野

青春是回不來了，倒是要準備渡過在西安的第三個夏天了。

廢話

我發(fā)現(xiàn)，自己對 coding 這件事的稱呼，從敲代碼 改為 寫代碼 了。

emmm…敲代碼，自我感覺，就像是，習慣了用 const 定義常量的我看到別人用 var 定義的常量。

對，優(yōu)雅！

寫代碼 這三個字，顯得更為優(yōu)雅一些，更像是在創(chuàng)作，打磨一件精致的作品。

改編自 掘金站長 的一句話：

子非猿，安之 coding 之樂也。

看完本文的收獲

• ctrl + c
• ctrl + v
• nodejs 入門級爬蟲

為何寫爬蟲相關的文章

最近訪問 艾特網(wǎng) 的時候發(fā)現(xiàn)請求有點慢。

后來經(jīng)過一番檢查，發(fā)現(xiàn)首頁中搜索熱點需要每次去爬取百度熱搜的數(shù)據(jù)并當做接口返回給前端，由于是服務端渲染，接口堵塞就容易出現(xiàn)訪問較慢的情況。

就想著對這個接口進行一次重構。

解決方案

• 設置定時任務，每隔1分鐘/3分鐘/5分鐘爬取新浪微博實時熱搜(新浪微博熱搜點擊率更高一些)
• 爬取到數(shù)據(jù)后不直接返回給前端，先寫入一個.json格式的文件。
• 服務端渲染的后臺接口請求并返回給前端json文件的內(nèi)容

需求捋清楚以后就可以開干了。

創(chuàng)建工程

初始化

首先得找到目標站點，如下：(微博實時熱搜)

https://s.weibo.com/top/summary?cate=realtimehot

創(chuàng)建文件夾 weibo

進入文件夾根目錄

使用 npm init -y 快速初始化一個項目

安裝依賴

創(chuàng)建app.js文件

安裝以下依賴

npm i cheerio superagent -D

關于superagent和cheerio的介紹

superagent 是一個輕量級、漸進式的請求庫，內(nèi)部依賴 nodejs 原生的請求 api,適用于 nodejs 環(huán)境。

cheerio 是 nodejs 的抓取頁面模塊，為服務器特別定制的，快速、靈活、實施的 jQuery 核心實現(xiàn)。適合各種 Web 爬蟲程序。node.js 版的 jQuery。

代碼編寫

打開 app.js ，開始完成主要功能

首先在頂部引入cheerio 、superagent 以及 nodejs 中的 fs 模塊

const cheerio = require("cheerio"); const superagent = require("superagent"); const fs = require("fs");

通過變量的方式聲明熱搜的url，便于后面 復用

const weiboURL = "https://s.weibo.com"; const hotSearchURL = weiboURL + "/top/summary?cate=realtimehot";

superagent

使用 superagent 發(fā)送get請求
superagent 的 get 方法接收兩個參數(shù)。第一個是請求的 url 地址，第二個是請求成功后的回調(diào)函數(shù)。
回調(diào)函數(shù)有倆參數(shù)，第一個參數(shù)為 error ，如果請求成功，則返回 null，反之則拋出錯誤。第二個參數(shù)是請求成功后的 響應體

superagent.get(hotSearchURL, (err, res) => {if (err) console.error(err); });

網(wǎng)頁元素分析

打開目標站對網(wǎng)頁中的 DOM 元素進行一波分析。

對 jQuery 比較熟的小老弟，看到下圖如此簡潔清晰明了的 DOM 結構，是不是有 N 種取出它每個 tr 中的數(shù)據(jù)并 push 到一個 Array 里的方法呢？

對！我們最終的目的就是要通過 jQuery 的語法，遍歷每個 tr ，并將其每一項的 熱搜地址 、熱搜內(nèi)容 、 熱度值 、序號 、表情等信息 push 進一個空數(shù)組中
再將它通過 nodejs 的 fs 模塊，寫入一個 json 文件中。

jQuery 遍歷拿出數(shù)據(jù)

使用 jQuery 的 each 方法，對 tbody 中的每一項 tr 進行遍歷，回調(diào)參數(shù)中第一個參數(shù)為遍歷的下標 index，第二個參數(shù)為當前遍歷的元素，一般 $(this) 指向的就是當前遍歷的元素。

let hotList = []; $("#pl_top_realtimehot table tbody tr").each(function (index) {if (index !== 0) {const $td = $(this).children().eq(1);const link = weiboURL + $td.find("a").attr("href");const text = $td.find("a").text();const hotValue = $td.find("span").text();const icon = $td.find("img").attr("src")? "https:" + $td.find("img").attr("src"): "";hotList.push({index,link,text,hotValue,icon,});} });

cheerio 包裝請求后的響應體

在 nodejs 中，要想向上面那樣愉快的寫 jQuery 語法，還得將請求成功后返回的響應體，用 cheerio 的 load 方法進行包裝。

const $ = cheerio.load(res.text);

寫入 json 文件

接著使用 nodejs 的 fs 模塊，將創(chuàng)建好的數(shù)組轉成 json字符串，最后寫入當前文件目錄下的 hotSearch.json 文件中（無此文件則會自動創(chuàng)建）。

fs.writeFileSync(`${__dirname}/hotSearch.json`,JSON.stringify(hotList),"utf-8" );

完整代碼如下：

const cheerio = require("cheerio"); const superagent = require("superagent"); const fs = require("fs"); const weiboURL = "https://s.weibo.com"; const hotSearchURL = weiboURL + "/top/summary?cate=realtimehot"; superagent.get(hotSearchURL, (err, res) => {if (err) console.error(err);const $ = cheerio.load(res.text);let hotList = [];$("#pl_top_realtimehot table tbody tr").each(function (index) {if (index !== 0) {const $td = $(this).children().eq(1);const link = weiboURL + $td.find("a").attr("href");const text = $td.find("a").text();const hotValue = $td.find("span").text();const icon = $td.find("img").attr("src")? "https:" + $td.find("img").attr("src"): "";hotList.push({index,link,text,hotValue,icon,});}});fs.writeFileSync(`${__dirname}/hotSearch.json`,JSON.stringify(hotList),"utf-8"); });

打開終端，輸入 node app，可看到根目錄下多了個 hotSearch.json 文件。

定時爬取

雖然代碼可以運行，也能爬取到數(shù)據(jù)并存入 json 文件。

但是，每次都要手動運行，才能爬取到當前時間段的熱搜數(shù)據(jù)，這一點都 不人性化！

最近微博熱搜瓜這么多，咱可是一秒鐘可都不能耽擱。我們最開始期望的是每隔多長時間 定時執(zhí)行爬取 操作。瓜可不能停！

接下來，對代碼進行 小部分改造。

數(shù)據(jù)請求封裝

由于 superagent 請求是個異步方法，我們可以將整個請求方法用 Promise 封裝起來，然后 每隔指定時間 調(diào)用此方法即可。

function getHotSearchList() {return new Promise((resolve, reject) => {superagent.get(hotSearchURL, (err, res) => {if (err) reject("request error");const $ = cheerio.load(res.text);let hotList = [];$("#pl_top_realtimehot table tbody tr").each(function (index) {if (index !== 0) {const $td = $(this).children().eq(1);const link = weiboURL + $td.find("a").attr("href");const text = $td.find("a").text();const hotValue = $td.find("span").text();const icon = $td.find("img").attr("src")? "https:" + $td.find("img").attr("src"): "";hotList.push({index,link,text,hotValue,icon,});}});hotList.length ? resolve(hotList) : reject("errer");});}); }

node-schedule 詳解

定時任務我們可以使用 node-schedule 這個 nodejs庫 來完成。
https://github.com/node-schedule/node-schedule

先安裝

npm i node-schedule -D

頭部引入

const nodeSchedule = require("node-schedule");

用法(每分鐘的第 30 秒定時執(zhí)行一次)：

const rule = "30 * * * * *"; schedule.scheduleJob(rule, () => {console.log(new Date()); });

規(guī)則參數(shù)：

* * * * * * ┬ ┬ ┬ ┬ ┬ ┬ │ │ │ │ │ │ │ │ │ │ │ └ day of week (0 - 7) (0 or 7 is Sun) │ │ │ │ └───── month (1 - 12) │ │ │ └────────── day of month (1 - 31) │ │ └─────────────── hour (0 - 23) │ └──────────────────── minute (0 - 59) └───────────────────────── second (0 - 59, OPTIONAL)

6 個占位符從左到右依次代表：秒、分、時、日、月、周幾
* 表示通配符，匹配任意。當 * 為秒時，表示任意秒都會觸發(fā)，其他類推。
來看一個 每小時的第20分鐘20秒 定時執(zhí)行的規(guī)則：

20 20 * * * *

更多規(guī)則自行搭配。

定時爬取，寫入文件

使用定時任務來執(zhí)行上面的請求數(shù)據(jù)，寫入文件操作：

nodeSchedule.scheduleJob("30 * * * * *", async function () {try {const hotList = await getHotSearchList();await fs.writeFileSync(`${__dirname}/hotSearch.json`,JSON.stringify(hotList),"utf-8");} catch (error) {console.error(error);} });

哦對，別忘了 捕獲異常

下面貼上完整代碼（可直接 ctrl c/v）：

const cheerio = require("cheerio"); const superagent = require("superagent"); const fs = require("fs"); const nodeSchedule = require("node-schedule"); const weiboURL = "https://s.weibo.com"; const hotSearchURL = weiboURL + "/top/summary?cate=realtimehot"; function getHotSearchList() {return new Promise((resolve, reject) => {superagent.get(hotSearchURL, (err, res) => {if (err) reject("request error");const $ = cheerio.load(res.text);let hotList = [];$("#pl_top_realtimehot table tbody tr").each(function (index) {if (index !== 0) {const $td = $(this).children().eq(1);const link = weiboURL + $td.find("a").attr("href");const text = $td.find("a").text();const hotValue = $td.find("span").text();const icon = $td.find("img").attr("src")? "https:" + $td.find("img").attr("src"): "";hotList.push({index,link,text,hotValue,icon,});}});hotList.length ? resolve(hotList) : reject("errer");});}); } nodeSchedule.scheduleJob("30 * * * * *", async function () {try {const hotList = await getHotSearchList();await fs.writeFileSync(`${__dirname}/hotSearch.json`,JSON.stringify(hotList),"utf-8");} catch (error) {console.error(error);} });

各種玩法

• 以上代碼可直接集成進現(xiàn)有的 express koa eggjs 或者原生的 nodejs 項目中，作為接口返回給前端。

• 集成進 Serverless，作為接口返回給前端。

• 對接微信公眾號，發(fā)送 熱搜 關鍵字即可實時獲取熱搜數(shù)據(jù)。

• 集成進 微信機器人 ，每天在指定的時間給自己/群里發(fā)送微博熱搜數(shù)據(jù)。

• other…

程序員導航站：https://iiter.cn

看到這里啦，點個 在看 支持一下吧。

關注公眾號 前端糖果屋 互相學習鴨。

添加微信 uumovies ，拉你進 技術交流群 探討人生。

代碼 github 已開源：

https://github.com/isnl/weibo-hotSearch-crawler

總結

以上是生活随笔為你收集整理的nodejs实现定时爬取微博热搜的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。