快捷導(dǎo)航

Node.js環(huán)境下編寫爬蟲爬取維基百科內(nèi)容的實例分享

更新時間：2016年06月12日 18:46:36 作者：zhoutk

WikiPedia平時在國內(nèi)不大好訪問-- 所以用爬蟲一次性把要看的東西都爬下來保存慢慢看還是比較好的XD 這里我們就來看一下Node.js環(huán)境下編寫爬蟲爬取維基百科內(nèi)容的實例分享

基本思路
思路一（origin:master）：從維基百科的某個分類（比如：航空母艦（key））頁面開始，找出鏈接的title屬性中包含key（航空母艦）的所有目標(biāo)，加入到待抓取隊列中。這樣，抓一個頁面的代碼及其圖片的同時，也獲取這個網(wǎng)頁上所有與key相關(guān)的其它網(wǎng)頁的地址，采取一個類廣度優(yōu)先遍歷的算法來完成此任務(wù)。
思路二（origin:cat）：按分類進(jìn)行抓取。注意到，維基百科上，分類都以Category:開頭，由于維基百科有很好的文檔結(jié)構(gòu)，很容易從任一個分類，開始，一直把其下的所有分類全都抓取下來。這個算法對分類頁面，提取子分類，且并行抓取其下所有頁面，速度快，可以把分類結(jié)構(gòu)保存下來，但其實有很多的重復(fù)頁面，不過這個可以后期寫個腳本就能很容易的處理。

庫的選擇
開始想用jsdom，雖然感覺它功能強(qiáng)大，但也比較“重”，最要命的是說明文檔不夠好，只說了它的優(yōu)勢，沒一個全面的說明。因此，換成cheerio，輕量級，功能比較全，至少文檔一看就能有一個整體概念。其實做到后來，才發(fā)現(xiàn)根本不需要庫，用正則表達(dá)式就能搞定一切！用庫只是少寫了一點正則而矣。

關(guān)鍵點
全局變量設(shè)定：

var regKey = ['航空母艦','航空母艦','航母'];  //鏈接中若包含此中關(guān)鍵詞，即為目標(biāo)
var allKeys = [];              //鏈接的title，也是頁面標(biāo)識，避免重復(fù)抓取
var keys = ['Category:%E8%88%AA%E7%A9%BA%E6%AF%8D%E8%88%B0'];  //等待隊列，起始頁

圖片下載
使用request庫的流式操作，讓每一個下載操作形成閉包。注意異步操作可能帶來的副作用。另外，圖片名字要重新設(shè)定，開始我取原名，不知道為什么，有的圖明明存在，就是顯示不出來；并且要把srcset屬性清理掉，不然本面顯示不出來。

$ = cheer.load(downHtml);
 var rsHtml = $.html();
 var imgs = $('#bodyContent .image');    //圖片都由這個樣式修飾
 for(img in imgs){
  if(typeof imgs[img].attribs === 'undefined' || typeof imgs[img].attribs.href === 'undefined')
   {continue;}  //結(jié)構(gòu)為鏈接下的圖片，鏈接不存在，跳過
  else
   {
    var picUrl = imgs[img].children[0].attribs.src;  //圖片地址
    var dirs = picUrl.split('.');
    var filename = baseDir+uuid.v1()+'.'+dirs[dirs.length -1];  //重新命名

    request("https:"+picUrl).pipe(fs.createWriteStream('pages/'+filename));  //下載

    rsHtml = rsHtml.replace(picUrl,filename);  //換成本地路徑
    // console.log(picUrl);
   }
 }

廣度優(yōu)先遍歷
開始沒能完全理解異步的概念，以循環(huán)方式來做，以為使用了Promise，就已經(jīng)全轉(zhuǎn)化為同步了，但其實只是能保證交給promise的操作會有序進(jìn)行，并不能讓這些操作與其它的操作有序化！如，下面的代碼就是不正確的。

var keys = ['航空母艦'];
var key = keys.shift();
while(key){
 data.get({
  url:encodeURI(key),
  qs:null
 }).then(function(downHtml){
    ...
    keys.push(key);        //(1)
  }
 });
key = keys.shift();          //(2）
}

上面的操作看試很正常，但其實（2）會在（1）之間被運行！哪怎么辦？
我使用遞歸來解決這個問題。如下示例代碼：

var key = keys.shift();
(function doNext(key){
 data.get({
  url:key,
  qs:null
 }).then(function(downHtml){
  ...
  keys.push(href);
  ...
  key = keys.shift();
  if(key){
   doNext(key);
  }else{
   console.log('抓取任務(wù)順利完成。')
  }
 })
})(key);

正則清理
使用正則表達(dá)式清理無用的頁面代碼，因為有很多模式需要處理，寫了一個循環(huán)統(tǒng)一處理。

var regs = [/<link rel=\"stylesheet\" href=\"?[^\"]*\">/g,
  /<script>?[^<]*<\/script>/g,
 /<style>?[^<]*<\/style>/g,
 /<a ?[^>]*>/g,
 /<\/a>/g,
 /srcset=(\"?[^\"]*\")/g
 ]
 regs.forEach(function(rs){
  var mactches = rsHtml.match(rs);
  for (var i=0;i < mactches.length ; i++)
  {
   rsHtml = rsHtml.replace(mactches[i],mactches[i].indexOf('stylesheet')>-1?'<link rel="stylesheet" href="wiki'+(i+1)+'.css"':'');
  }
 })

運行效果
上維基中文是需要FQ的，試運行了一下，抓取航空母艦分類，運行過程中，發(fā)現(xiàn)了三百左右的相關(guān)鏈接（包括分類頁面，這些頁面我是只取有效鏈接，不下載），最終正確的下載了209個，手工測試了一些出錯鏈接，發(fā)現(xiàn)都為無效鏈接，顯示該詞條還未建立，整個過程大概花了不到十五分鐘，壓縮后近三十M，感覺效果還不錯。

源代碼
https://github.com/zhoutk/wikiSpider
小結(jié)
到昨晚基本完成任務(wù)，思路一能夠抓取內(nèi)容比較準(zhǔn)確的頁面，而且頁面不重復(fù)，但抓取效率不高，分類信息無法準(zhǔn)確獲得；思路二能夠按維基百科的分類，自動抓取并分門別類的把文件存儲到本地，效率高（實測，抓取【軍艦】類，共抓取頁面近六千個，費時五十來分鐘，每分鐘能抓取超過一百個頁面），能準(zhǔn)確的保存分類信息。
最大的收獲在于深刻的理解了異步編程的整體流程控制。

您可能感興趣的文章: