Node.js爬取科技新聞網站cnBeta（附前端及服務端源碼）

tain335 發布于2019-08-23 14:07 / 808人閱讀

摘要：前言一直很喜歡看科技新聞，多年來一直混跡于，以前西貝的評論區是匿名的，所以評論區非常活躍，各種噴子和段子，不過也確實很歡樂，可以說那是西貝人氣最旺的時候。

前言

一直很喜歡看科技新聞，多年來一直混跡于cnBeta，以前西貝的評論區是匿名的，所以評論區非常活躍，各種噴子和段子，不過也確實很歡樂，可以說那是西貝人氣最旺的時候。然而自從去年網信辦出臺了《互聯網跟帖評論服務管理規定》，要求只有實名認證的用戶，才能進行留言、評論之后，往日的活躍的的評論區瞬間淪陷，人氣大跌。其實說到底，還是西貝沒有跟上移動互聯網的潮流，至今還止步于PC互聯網時代，網頁廣告太多，而移動應用質量堪憂，體驗極差，雖然有不少第三方的應用，但由于沒有官方的支持，體驗上還是不夠好，例如如果官方發布一些改版，第三方的應用基本都會掛掉。

所以為了方便平時閱讀cnBeta的新聞，就打算通過爬蟲把cnBeta的新聞爬下來，自建一個m站，這樣體驗可控，并且沒有廣告(｀?′)Ψ。其實項目很早就完成了，只是現在才有空（閑情）寫一篇分享出來。

概述

本項目爬蟲及服務端github地址：https://github.com/hudingyu/c...

前端github地址：https://github.com/hudingyu/c...

技術細節

使用 async await 做異步邏輯的處理。

使用 async庫來做循環遍歷，以及并發請求操作。

使用 log4js 來做日志處理

使用 cheerio 來做新聞詳情頁的分析抓取。

使用 mongoose 來連接mongoDB 做數據的保存以及操作。

目錄結構

目錄結構

├── bin              // 入口
│?  ├── article-list.js      // 抓取新聞列表邏輯
│?  ├── content.js          // 抓取新聞內容邏輯
│?  ├── server.js      // 服務端程序入口
│?  └── spider.js      // 爬蟲程序入口
├── config             // 配置文件
├── dbhelper           // 數據庫操作方法目錄
├── middleware      // koa2 中間件
├── model          // mongoDB 集合操作實例
├── router         // koa2 路由文件
├── utils         // 工具函數
├── package.json

方案分析

首先看爬蟲程序入口文件，整體邏輯其實很簡單，先抓取新聞列表，存入MongoDB數據庫，每十分鐘抓取一次。新聞列表抓取之后，在數據庫查詢列表中沒有新聞內容的新聞，開始抓取新聞詳情，然后更新到數據庫。

const articleListInit = require("./article-list");
const articleContentInit = require("./content");
const logger = require("../config/log");

const start = async() => {
    let articleListRes = await articleListInit();
    if (!articleListRes) {
        logger.warn("news list update failed...");
    } else {
        logger.info("news list update succeed！");
    }

    let articleContentRes = await articleContentInit();
    if (!articleContentRes) {
        logger.warn("article content grab error...");
    } else {
        logger.info("article content grab succeed！");
    }
};

if (typeof articleListInit === "function") {
    start();
}
setInterval(start, 600000);

接著看抓取新聞列表的邏輯，因為可以獲取到新聞列表的Ajax接口，所以直接調用接口獲取列表信息。但是也有個問題，cnBeta新聞列表的縮略圖以及文章里的的圖片是有防盜鏈的，所以你在自己的網站是沒法直接使用它的圖片的，所以我是直接把cnBeta的圖片文件爬下來存到自己的服務器上。

/**
 * 初始化方法 抓取文章列表
 * @returns {Promise.<*>}
 */
const articleListInit = async() => {
    logger.info("grabbing article list starts...");
    const pageUrlList = getPageUrlList(listBaseUrl, totalPage);
    if (!pageUrlList) {
        return;
    }
    let res = await getArticleList(pageUrlList);
    return res;
}

/**
 * 利用分頁接口獲取文章列表
 * @param pageUrlList
 * @returns {Promise}
 */
const getArticleList = (pageUrlList) => {
    return new Promise((resolve, reject) => {
        async.mapLimit(pageUrlList, 1, (pageUrl, callback) => {
            getCurPage(pageUrl, callback);
        }, (err, result) => {
            if (err) {
                logger.error("get article list error...");
                logger.error(err);
                reject(false);
                return;
            }
            let articleList = _.flatten(result);
            downloadThumbAndSave(articleList, resolve);
        })
    })
};

/**
 * 獲取當前頁面的文章列表
 * @param pageUrl
 * @param callback
 * @returns {Promise.}
 */
const getCurPage = async(pageUrl, callback) => {
    let num = Math.random() * 1000 + 1000;
    await sleep(num);
    request(pageUrl, (err, response, body) => {
        if (err) {
            logger.info("current url went wrong，url address:" + pageUrl);
            callback(null, null);
            return;
        } else {
            let responseObj = JSON.parse(body);
            if (responseObj.result && responseObj.result.list) {
                let newsList = parseObject(articleModel, responseObj.result.list, {
                    pubTime: "inputtime",
                    author: "aid",
                    commentCount: "comments",
                });
                callback(null, newsList);
                return;
            }
            console.log("出錯了");
            callback(null, null);
        }
    });
};

const downloadThumbAndSave = (list, resolve) => {
    const host = "https://static.cnbetacdn.com";
    const basepath = "./public/data";
    if (list.indexOf(null) > -1) {
        resolve(false);
    } else {
        try {
            async.eachSeries(list, (item, callback) => {
                let thumb_url = item.thumb.replace(host, "");
                item.thumb = thumb_url;
                if (!fs.exists(thumb_url)) {
                    mkDirs(basepath + thumb_url.substring(0, thumb_url.lastIndexOf("/")), () => {
                        request
                            .get({
                                url: host + thumb_url,
                            })
                            .pipe(fs.createWriteStream(path.join(basepath, thumb_url)))
                            .on("error", (err) => {
                                console.log("pipe error", err);
                            });
                        callback(null, null);
                    });
                }
            }, (err, result) => {
                if (!err) {
                    saveDB(list, resolve);
                }
            });
        }
        catch(err) {
            console.log(err);
        }
    }
};

/**
 * 將文章列表存入數據庫
 * @param result
 * @param callback
 * @returns {Promise.}
 */
const saveDB = async(result, callback) => {
    //console.log(result);
    let flag = await dbHelper.insertCollection(articleDbModel, result).catch(function (err){
        logger.error("data insert falied");
    });
    if (!flag) {
        logger.error("news list save failed");
    } else {
        logger.info("list saved！total：" + result.length);
    }
    if (typeof callback === "function") {
        callback(true);
    }
};

再來看抓取新聞內容的邏輯，這里是直接根據新聞的sid得到新聞內容頁的html，然后利用cheerio庫分析獲取我們需要的新聞內容。當然這里也是要把文章中的圖片爬下來存入服務器，并且把存入數據庫的新聞內容中圖片鏈接替換成自己服務器中的URL。

/**
 * 抓取正文程序入口
 * @returns {Promise.<*>}
 */
const articleContentInit = async() => {
    logger.info("grabbing article contents starts...");
    let uncachedArticleSidList = await getUncachedArticleList(articleDbModel);
    // console.log("未緩存的文章："+ uncachedArticleSidList.join(","));
    const res = await batchCrawlArticleContent(uncachedArticleSidList);
    if (!res) {
        logger.error("grabbing article contents went wrong...");
    }
    return res;
};

/**
 * 查詢新聞列表獲取sid列表
 * @param Model
 * @returns {Promise.}
 */
const getUncachedArticleList = async(Model) => {
    const selectedArticleList = await dbHelper.queryDocList(Model).catch(function (err){
        logger.error(err);
    });
    return selectedArticleList.map(item => item.sid);
    // return selectedArticleList.map(item => item._doc.sid);
};

/**
 * 批量抓取新聞詳情內容
 * @param list
 * @returns {Promise}
 */
const batchCrawlArticleContent = (list) => {
    return new Promise((resolve, reject) => {
        async.mapLimit(list, 3, (sid, callback) => {
            getArticleContent(sid, callback);
        }, (err, result) => {
            if (err) {
                logger.error(err);
                reject(false);
                return;
            }
            resolve(true);
        });
    });
};

/**
 * 抓取單篇文章內容
 * @param sid
 * @param callback
 * @returns {Promise.}
 */
const getArticleContent = async(sid, callback) => {
    let num = Math.random() * 1000 + 1000;
    await sleep(num);
    let url = contentBaseUrl + sid + ".htm";
    request(url, (err, response, body) => {
        if (err) {
            logger.error("grabbing article content went wrong，article url:" + url);
            callback(null, null);
            return;
        }
        const $ = cheerio.load(body, {
            decodeEntities: false
        });
        const serverAssetPath = `${serverIp}:${serverPort}/data`;
        let domainReg = new RegExp("https://static.cnbetacdn.com","g");
        let article = {
            sid,
            source: $(".article-byline span a").html() || $(".article-byline span").html(),
            summary: $(".article-summ p").html(),
            content: $(".articleCont").html().replace(styleReg.reg, styleReg.replace).replace(scriptReg.reg, scriptReg.replace).replace(domainReg, serverAssetPath),
        };
        saveContentToDB(article);
        let imgList = [];
        $(".articleCont img").each((index, dom) => {
            imgList.push(dom.attribs.src);
        });
        downloadImgs(imgList);
        callback(null, null);
    });
};

/**
 * 下載圖片
 * @param list
 */
const downloadImgs = (list) => {
    const host = "https://static.cnbetacdn.com";
    const basepath = "./public/data";
    if (!list.length) {
        return;
    }
    try {
        async.eachSeries(list, (item, callback) => {
            let num = Math.random() * 500 + 500;
            sleep(num);
            if (item.indexOf(host) === -1) return;
            let thumb_url = item.replace(host, "");
            item.thumb = thumb_url;
            if (!fs.exists(thumb_url)) {
                mkDirs(basepath + thumb_url.substring(0, thumb_url.lastIndexOf("/")), () => {
                    request
                        .get({
                            url: host + thumb_url,
                        })
                        .pipe(fs.createWriteStream(path.join(basepath, thumb_url)))
                        .on("error", (err) => {
                            console.log("pipe error", err);
                        });
                    callback(null, null);
                });
            }
        });
    }
    catch(err) {
        console.log(err);
    }
};
/**
 * 保存到文章內容到數據庫
 * @param article
 */
const saveContentToDB = (item) => {
    let flag = dbHelper.updateCollection(articleDbModel, item);
    if (flag) {
        logger.info("grabbing article content succeeded：" + item.sid);
    }
};

爬蟲部分差不多就是這樣，還有一點就自己服務器存儲的爬取的圖片每天都會有上百張，時間一長，圖片占用的存儲空間就會特別大，所以需要定時清理一下，有興趣的可以看看項目里面的clear-expire.js文件。

總結

其實，雖然這個項目整體并不復雜，但是一套前后端系統搭建起來的過程中，自己的收獲還是挺不少的，很多問題的解決需要自己去實踐和思考的，對于性能優化考量也是一個重要的方面。

下面截圖就是我最終完成得m站，界面很清爽，體驗上確實比cnBeta官網要好很多。這樣是平時看科技新聞也確實方便很多。

以上

云服務器 GPU云服務器新聞網站源碼二次淺封裝實踐【附源碼】網站前端和后端哪個好學這篇文章手把手帶你閱讀Netty源碼【附

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/100113.html

Node.js爬取科技新聞網站cnBeta（附前端及服務端源碼）

摘要：前言一直很喜歡看科技新聞，多年來一直混跡于，以前西貝的評論區是匿名的，所以評論區非常活躍，各種噴子和段子，不過也確實很歡樂，可以說那是西貝人氣最旺的時候。前言一直很喜歡看科技新聞，多年來一直混跡于cnBeta，以前西貝的評論區是匿名的，所以評論區非常活躍，各種噴子和段子，不過也確實很歡樂，可以說那是西貝人氣最旺的時候。然而自從去年網信辦出臺了《互聯網跟帖評論服務管理規定》，要求只有...

李濤 2019-06-26 17:55 評論0 收藏0
海航生態科技輿情大數據平臺容器化改造

摘要：本文轉載自微信公眾號賬號，作者為海航生態科技技術研究院大數據開發工程師高顏。文章介紹了海航生態科技輿情大數據平臺的容器化改造經驗，包括初期技術架構應用容器化架構遷移持續發布與部署。本文轉載自微信公眾號Docker（賬號：dockerone），作者為海航生態科技技術研究院大數據開發工程師高顏。文章介紹了海航生態科技輿情大數據平臺的容器化改造經驗，包括初期技術架構、應用容器化、架構遷...

idealcn 2019-06-28 17:50 評論0 收藏0
首次公開，整理12年積累的博客收藏夾，零距離展示《收藏夾吃灰》系列博客

摘要：時間永遠都過得那么快，一晃從年注冊，到現在已經過去了年那些被我藏在收藏夾吃灰的文章，已經太多了，是時候把他們整理一下了。那是因為收藏夾太亂，橡皮擦給設置私密了，不收拾不好看呀。 ...

Harriet666 2021-09-10 10:51 評論0 收藏0
分分鐘教你用node.js寫個爬蟲

摘要：爬蟲介紹二爬蟲的分類通用網絡爬蟲全網爬蟲爬行對象從一些種子擴充到整個，主要為門戶站點搜索引擎和大型服務提供商采集數據。分分鐘教你用node.js寫個爬蟲寫在前面十分感謝大家的點贊和關注。其實，這是我第一次在segmentfault上寫文章。因為我也是前段時間偶然之間才開始了解和學習爬蟲，而且學習node的時間也不是很長。雖然用node做過一些后端的項目，但其實在node和爬蟲方面...

fanux 2019-08-22 17:07 評論0 收藏0