NodeJs爬虫抓取古代典籍，共计16000个页面心得体会总结及项目分享

时间 2019-12-07

原文原文链接

前言

以前研究数据，零零散散的写过一些数据抓取的爬虫，不过写的比较随意。有不少地方如今看起来并非很合理这段时间比较闲，原本是想给以前的项目作重构的。
后来利用这个周末，索性从新写了一个项目，就是本项目 guwen-spider。目前这个爬虫仍是比较简单的类型的，直接抓取页面，而后在页面中提取数据，保存数据到数据库。
经过与以前写的对比，我以为难点在于整个程序的健壮性，以及相应的容错机制。在昨天写代码的过程当中其实也有反映，真正的主体代码其实很快就写完了，花了大部分时间是在
作稳定性的调试，以及寻求一种更合理的方式来处理数据与流程控制的关系。前端

背景

项目的背景是抓取一个一级页面是目录列表，点击一个目录进去是一个章节及篇幅列表，点击章节或篇幅进入具体的内容页面。node

概述

本项目github地址 : guwen-spider （PS:最后面还有彩蛋 ~~逃react

项目技术细节
项目大量用到了 ES7 的async 函数, 更直观的反应程序了的流程。为了方便，在对数据遍历的过程当中直接使用了著名的async这个库，因此不可避免的仍是用到了回调promise ，由于数据的处理发生在回调函数中，不可避免的会遇到一些数据传递的问题，其实也能够直接用ES7的async await 写一个方法来实现相同的功能。这里其实最赞的一个地方是使用了 Class 的 static 方法封装对数据库的操做， static 顾名思义静态方法就跟 prototype 同样，不会占用额外空间。
项目主要用到了git

1 ES7的 async await 协程作异步有关的逻辑处理。
2 使用 npm的 async库来作循环遍历，以及并发请求操做。
3 使用 log4js 来作日志处理
4 使用 cheerio 来处理dom的操做。
5 使用 mongoose 来链接mongoDB 作数据的保存以及操做。

目录结构github

<pre>
├── bin // 入口
│ ├── booklist.js // 抓取书籍逻辑
│ ├── chapterlist.js // 抓取章节逻辑
│ ├── content.js // 抓取内容逻辑
│ └── index.js // 程序入口
├── config // 配置文件
├── dbhelper // 数据库操做方法目录
├── logs // 项目日志目录
├── model // mongoDB 集合操做实例
├── node_modules
├── utils // 工具函数
├── package.json
</pre>web

项目实现方案分析数据库

项目是一个典型的多级抓取案例，目前只有三级，即书籍列表，书籍项对应的章节列表，一个章节连接对应的内容。抓取这样的结构能够采用两种方式，一是直接从外层到内层内层抓取完之后再执行下一个外层的抓取，还有一种就是先把外层抓取完成保存到数据库，而后根据外层抓取到全部内层章节的连接，再次保存，而后从数据库查询到对应的连接单元对之进行内容抓取。这两种方案各有利弊，其实两种方式我都试过，后者有一个好处，由于对三个层级是分开抓取的，这样就可以更方便，尽量多的保存到对应章节的相关数据。能够试想一下，若是采用前者按照正常的逻辑
对一级目录进行遍历抓取到对应的二级章节目录，再对章节列表进行遍历抓取内容，到第三级内容单元抓取完成须要保存时，若是须要不少的一级目录信息，就须要这些分层的数据之间进行数据传递，想一想其实应该是比较复杂的一件事情。因此分开保存数据必定程度上避开了没必要要的复杂的数据传递。npm

目前咱们考虑到其实咱们要抓取到的古文书籍数量并很少，古文书籍大概只有180本囊括了各类经史。其和章节内容自己是一个很小的数据，即一个集合里面有180个文档记录。这180本书全部章节抓取下来一共有一万六千个章节，对应须要访问一万六千个页面爬取到对应的内容。因此选择第二种应该是合理的。json

项目实现后端

主程有三个方法 bookListInit ,chapterListInit,contentListInit, 分别是抓取书籍目录，章节列表，书籍内容的方法对外公开暴露的初始化方法。经过async 能够实现对这三个方法的运行流程进行控制，书籍目录抓取完成将数据保存到数据库，而后执行结果返回到主程序，若是运行成功主程序则执行根据书籍列表对章节列表的抓取，同理对书籍内容进行抓取。

项目主入口

/**
 * 爬虫抓取主入口
 */
const start = async() => {
    let booklistRes = await bookListInit();
    if (!booklistRes) {
        logger.warn('书籍列表抓取出错，程序终止...');
        return;
    }
    logger.info('书籍列表抓取成功，如今进行书籍章节抓取...');

    let chapterlistRes = await chapterListInit();
    if (!chapterlistRes) {
        logger.warn('书籍章节列表抓取出错，程序终止...');
        return;
    }
    logger.info('书籍章节列表抓取成功，如今进行书籍内容抓取...');

    let contentListRes = await contentListInit();
    if (!contentListRes) {
        logger.warn('书籍章节内容抓取出错，程序终止...');
        return;
    }
    logger.info('书籍内容抓取成功');
}
// 开始入口
if (typeof bookListInit === 'function' && typeof chapterListInit === 'function') {
    // 开始抓取
    start();
}

引入的 bookListInit ,chapterListInit,contentListInit, 三个方法

booklist.js

/**
 * 初始化方法 返回抓取结果 true 抓取成果 false 抓取失败
 */
const bookListInit = async() => {
    logger.info('抓取书籍列表开始...');
    const pageUrlList = getPageUrlList(totalListPage, baseUrl);
    let res = await getBookList(pageUrlList);
    return res;
}

chapterlist.js

/**
 * 初始化入口
 */
const chapterListInit = async() => {
    const list = await bookHelper.getBookList(bookListModel);
    if (!list) {
        logger.error('初始化查询书籍目录失败');
    }
    logger.info('开始抓取书籍章节列表，书籍目录共：' + list.length + '条');
    let res = await asyncGetChapter(list);
    return res;
};

content.js

/**
 * 初始化入口
 */
const contentListInit = async() => {
    //获取书籍列表
    const list = await bookHelper.getBookLi(bookListModel);
    if (!list) {
        logger.error('初始化查询书籍目录失败');
        return;
    }
    const res = await mapBookList(list);
    if (!res) {
        logger.error('抓取章节信息，调用 getCurBookSectionList() 进行串行遍历操做，执行完成回调出错，错误信息已打印，请查看日志!');
        return;
    }
    return res;
}

内容抓取的思考

书籍目录抓取其实逻辑很是简单，只须要使用async.mapLimit作一个遍历就能够保存数据了,可是咱们在保存内容的时候简化的逻辑其实就是遍历章节列表抓取连接里的内容。可是实际的状况是连接数量多达几万咱们从内存占用角度也不能所有保存到一个数组中，而后对其遍历，因此咱们须要对内容抓取进行单元化。
广泛的遍历方式是每次查询必定的数量，来作抓取，这样缺点是只是以必定数量作分类，数据之间没有关联，以批量方式进行插入，若是出错则容错会有一些小问题，并且咱们想一本书做为一个集合单独保存会遇到问题。所以咱们采用第二种就是以一个书籍单元进行内容抓取和保存。
这里使用了 async.mapLimit(list, 1, (series, callback) => {})这个方法来进行遍历，不可避免的用到了回调，感受很恶心。async.mapLimit()的第二个参数能够设置同时请求数量。

/* 
 * 内容抓取步骤：
 * 第一步获得书籍列表， 经过书籍列表查到一条书籍记录下 对应的全部章节列表， 
 * 第二步 对章节列表进行遍历获取内容保存到数据库中 
 * 第三步 保存完数据后 回到第一步 进行下一步书籍的内容抓取和保存
 */

/**
 * 初始化入口
 */
const contentListInit = async() => {
    //获取书籍列表
    const list = await bookHelper.getBookList(bookListModel);
    if (!list) {
        logger.error('初始化查询书籍目录失败');
        return;
    }
    const res = await mapBookList(list);
    if (!res) {
        logger.error('抓取章节信息，调用 getCurBookSectionList() 进行串行遍历操做，执行完成回调出错，错误信息已打印，请查看日志!');
        return;
    }
    return res;
}
/**
 * 遍历书籍目录下的章节列表
 * @param {*} list 
 */
const mapBookList = (list) => {
    return new Promise((resolve, reject) => {
        async.mapLimit(list, 1, (series, callback) => {
            let doc = series._doc;
            getCurBookSectionList(doc, callback);
        }, (err, result) => {
            if (err) {
                logger.error('书籍目录抓取异步执行出错!');
                logger.error(err);
                reject(false);
                return;
            }
            resolve(true);
        })
    })
}

/**
 * 获取单本书籍下章节列表 调用章节列表遍历进行抓取内容
 * @param {*} series 
 * @param {*} callback 
 */
const getCurBookSectionList = async(series, callback) => {

    let num = Math.random() * 1000 + 1000;
    await sleep(num);
    let key = series.key;
    const res = await bookHelper.querySectionList(chapterListModel, {
        key: key
    });
    if (!res) {
        logger.error('获取当前书籍: ' + series.bookName + ' 章节内容失败，进入下一部书籍内容抓取!');
        callback(null, null);
        return;
    }
    //判断当前数据是否已经存在
    const bookItemModel = getModel(key);
    const contentLength = await bookHelper.getCollectionLength(bookItemModel, {});
    if (contentLength === res.length) {
        logger.info('当前书籍：' + series.bookName + '数据库已经抓取完成，进入下一条数据任务');
        callback(null, null);
        return;
    }
    await mapSectionList(res);
    callback(null, null);
}

数据抓取完了怎么保存是个问题

这里咱们经过key 来给数据作分类，每次按照key来获取连接，进行遍历，这样的好处是保存的数据是一个总体，如今思考数据保存的问题

1 能够以总体的方式进行插入
优势 : 速度快数据库操做不浪费时间。

缺点 : 有的书籍可能有几百个章节也就意味着要先保存几百个页面的内容再进行插入，这样作一样很消耗内存，有可能形成程序运行不稳定。
2能够以每一篇文章的形式插入数据库。
优势 : 页面抓取即保存的方式使得数据可以及时保存，即便后续出错也不须要从新保存前面的章节，

缺点 : 也很明显就是慢，仔细想一想若是要爬几万个页面作几万次*N 数据库的操做这里还能够作一个缓存器一次性保存必定条数当条数达到再作保存这样也是一个不错的选择。

/**
 * 遍历单条书籍下全部章节 调用内容抓取方法
 * @param {*} list 
 */
const mapSectionList = (list) => {
    return new Promise((resolve, reject) => {
        async.mapLimit(list, 1, (series, callback) => {
            let doc = series._doc;
            getContent(doc, callback)
        }, (err, result) => {
            if (err) {
                logger.error('书籍目录抓取异步执行出错!');
                logger.error(err);
                reject(false);
                return;
            }
            const bookName = list[0].bookName;
            const key = list[0].key;

            // 以总体为单元进行保存
            saveAllContentToDB(result, bookName, key, resolve);

            //以每篇文章做为单元进行保存
            // logger.info(bookName + '数据抓取完成，进入下一部书籍抓取函数...');
            // resolve(true);

        })
    })
}

二者各有利弊，这里咱们都作了尝试。准备了两个错误保存的集合,errContentModel, errorCollectionModel,在插入出错时分别保存信息到对应的集合中，两者任选其一便可。增长集合来保存数据的缘由是便于一次性查看以及后续操做，不用看日志。

（PS ，其实彻底用 errorCollectionModel 这个集合就能够了，errContentModel这个集合能够完整保存章节信息）

//保存出错的数据名称
const errorSpider = mongoose.Schema({
    chapter: String,
    section: String,
    url: String,
    key: String,
    bookName: String,
    author: String,
})
// 保存出错的数据名称 只保留key 和 bookName信息
const errorCollection = mongoose.Schema({
    key: String,
    bookName: String,
})

咱们将每一条书籍信息的内容放到一个新的集合中，集合以key来进行命名。

总结

写这个项目其实主要的难点在于程序稳定性的控制，容错机制的设置，以及错误的记录，目前这个项目基本可以实现直接运行一次性跑通整个流程。可是程序设计也确定还存在许多问题，欢迎指正和交流。

彩蛋

写完这个项目作了一个基于React开的前端网站用于页面浏览和一个基于koa2.x开发的服务端, 总体技术栈至关因而 React + Redux + Koa2 ,先后端服务是分开部署的，各自独立能够更好的去除先后端服务的耦合性，好比同一套服务端代码，不只能够给web端还能够给移动端，app 提供支持。目前整个一套还很简陋，可是能够知足基本的查询浏览功能。但愿后期有时间能够把项目变得更加丰富。

本项目地址地址 : guwen-spider
对应前端 React + Redux + semantic-ui 地址 : guwen-react
对应Node端 Koa2.2 + mongoose 地址 : guwen-node

项目挺简单的，可是多了一个学习和研究从前端到服务端的开发的环境。

以上です