http-crawler

一个强大的配置式爬虫引擎。

特点

• 配置方式爬虫
• 纯JS实现
• 支持自定义指令
• 使用TS开发

安装

npm i http-crawler

使用之前

你需要会下面的知识：

• jmespath 语法

• css 选择器

• axios 的响应对象格式

使用

现在我们爬取http://okzyw.com网站的电影，想要实现的功能是通过一个电影的名称来爬取所有和名称匹配的视频

const { HttpCrawler } = require('../dist/http-crawler.cjs');

const okzyw = new HttpCrawler(
  {
    meta: {
      //元数据对象
      name: 'okzyw',
      version: 1,
      search: ''
    },
    option: {
      delay: 300, //ms 请求延迟
      errRetry: 5, // 重试次数
    },
    steps: [
      {
        url: 'http://okzyw.com/index.php?m=vod-search',
        method: 'post', //请求方式
        dataType:'formdata', //data的数据类型，可选json与formdata
        data: {
          wd: '{{v-meta=search}}', //{{v-meta=search}} 调用v-meta指令并且返回search查询mete对象里的值
          submit: 'search'
        },
        resultModel: { // 返回的数据模型
          title: '{{v-resp-html=.xing_vb4|[*].structuredText}}',
          router: '{{v-resp-html=.xing_vb4|[*].firstChild.attributes.href}}',
        },
      },
      {
        url: 'http://okzyw.com{{v-prev-resu=[*].router}}',
        method: 'get',
        isMergeResult:false, //不用将结果合并
        resultModel: {
          title: '{{v-resp-html=[name=copy_sel]|[*].parentNode.structuredText}}',
          voideUrl: '{{v-resp-html=[name=copy_sel]|[*].attributes.value}}',
        },
      }
    ]
 });

async function main() {
  const res = await okzyw.run({search:'超电磁炮'});
  //执行所有的step
  console.log(res); // Array(3) [Object, Object, Object]
}

main();

核心思想

步Step

所有的操作都是以步的方式进行，通过httpCrawler.go()的方式执行,如果执行所有的步使用httpCrawler.run()来操作。

指令directive

指令是相当与是一个函数，通过{{v-meta=JSONSelector}}的方式调用，这里使用的是v-meta这个指令，参数JSONSelector是一个JSON查询的表达式，通过JSONSelector来获取meta对象里的值，在http-crawler里还有很多的指令来进行不同的操作，你也可以自定义指令来扩充指令集，注意指令只能在

steps[*].url

steps[*].params

steps[*].data

steps[*].header

steps[*].resultModel

里使用

配置

export interface HttpCrawlerConfig{
  directive?: any;
  meta?:any;
  option?:any;
  steps:any[];
}

const config = {
    directive:{
        ['v-timestamp'](retfer, arg){
            // retfer是参照对象，一般是this
            // arg是第一个等于号后面的字符串
            return Date.now();
        }
    },
    meta:{ // 存储一些用户临时的数据
        name:'名称',
        version:0,
        search:'超电磁炮'
    },
    option:{
    	delay: 300, //ms 请求延迟
        errRetry: 5, // 错误重试次数
        timeout: 30*1000, //ms 请求超时
	},
    steps:[
        {
            url: 'http://okzyw.com/index.php',
            method: 'post', //请求方式
            dataType:'formdata', //data的数据类型，可选json与formdata
            params:{ // get传值
                m:'vod-search'
            },
            data: { // post传值
              wd: '{{v-meta=search}}', //{{v-meta=search}} 调用v-meta指令并且返回search查询mete对象里的值
              submit: 'search'
            },
            resultModel: { // 返回的数据模型
              title: '{{v-resp-html=.xing_vb4|[*].structuredText}}',
              router: '{{v-resp-html=.xing_vb4|[*].firstChild.attributes.href}}',
            },
        }
    ]
};

指令

v-meta

查询元对象数据

参数：JSONSelector

返回值：JSONSelector查询到的值

例子：

"{{v-meta=version}}"

v-prev

查询上步的step对象

参数：JSONSelector

返回值：查询结果

v-prev-resu

查询上一步的results对象，这个与resultModel的结构一致

参数：JSONSelector

返回值：查询结果

v-prev-resu-raw

查询上一步的rawResults对象

参数：JSONSelector

返回值：查询结果

v-refer

查询整个实例对象

参数：JSONSelector

返回值：查询结果

v-state

查询实例状态对象

参数：JSONSelector

返回值：查询结果

v-curr

查询当前步对象

参数：JSONSlector

返回值：查询结果

v-resp

查询当前的响应结果，注意响应结果必须为json

参数：JSONSelector

返回值：查询结果

v-resp-html

查询当前响应，注意响应结果必须为html字符串

参数：|

返回值：查询结果

例子：

"{{v-resp-html=.xing_vb4|[*].structuredText}}"

方法

.on(event:string, callback:Function)

监听事件

.go(meta?:object)

返回值：Promise<Result[]|MergeResult[]>

执行一步

.run(meta?:object)

返回值：Promise<Result[]|MergeResult[]>

执行所有步

.mergeResult()

返回值：object[]

合并所有的结果，如果使用的run命令则不需要进行合并

.reset()

重置当前实例对象，删除所有结果，恢复状态

事件

我们可以使用事件回调函数on来记录日志。

例子：

okzyw.on('start',(that)=>{
  // that 当前实例
  console.log('开始');
})

okzyw.on('end',(finalResults, that)=>{
  // finalResults 最终的结果
  // that 当前实例
  console.log('结束');
})

okzyw.on('request:err',(error, that)=>{
  // error 错误原因
  // that 当前实例
  console.log(error);
})

okzyw.on('go:before',(currentStep, that)=>{
  // currentStep 当前步
  // that 当前实例
  console.log('开始第'+(that.state.current)+'步');
})

okzyw.on('go:after',(currentStep, that)=>{
  // currentStep 当前步
  // that 当前实例
  console.log('完成第'+(that.state.current)+'步');
})

okzyw.on('request',(req, that)=>{
  // req 当前请求参数
  // that 当前实例
  console.log(req);
})

okzyw.on('response',(res, that)=>{
  // res 当前响应对象
  // that 当前实例
  console.log(res);
})

上面是所有的事件。

其他

JSONSelector

引擎中的json选择器使用的是jmespath ，来实现，具体语法请查阅文档,或者直接查看jmes语法文档

CSSSelector

引擎中v-resp-html中dom查询使用的是 node-html-parser 开源包，可以直接使用css选择器，但是在查询结果上会有一些差异，具体查看相关文档。