用TypeScript开发爬虫程序
全局安装typescript：
npm install -g typescript
目前版本2.0.3，这个版本不再需要使用typings命令了。但是vscode捆绑的版本是1.8的，需要一些配置工作，看本文的处理办法。
测试tsc命令：
tsc
创建要写的程序项目文件夹：
mkdir test-typescript-spider
进入该文件夹：
cd test-typescript-spider
初始化项目：
npm init
安装superagent和cheerio模块：
npm i --save superagent cheerio
安装对应的类型声明模块：
npm i -s @types/superagent --save
npm i -s @types/cheerio --save
安装项目内的typescript（必须走这一步）：
npm i --save typescript
用vscode打开项目文件夹。在该文件夹下创建tsconfig.json文件，并复制以下配置代码进去：
| {
"compilerOptions": { "target": "ES6", "module": "commonjs", "noEmitOnError": true, "noImplicitAny": true, "experimentalDecorators": true, "sourceMap": false, // "sourceRoot": "./", "outDir": "./out" }, "exclude": [ "node_modules" ] } |
在vscode打开“文件”-“首选项”-“工作区设置”
在settings.json中加入（如果不做这个配置，vscode会在打开项目的时候提示选择哪个版本的typescript）：
{
"typescript.tsdk": "node_modules/typescript/lib"
}
创建api.ts文件，复制以下代码进去：
| import superagent = require('superagent');
import cheerio = require('cheerio'); export const remote_get = function(url: string) { const promise = new Promise<superagent.Response>(function (resolve, reject) { superagent.get(url) .end(function (err, res) { if (!err) { resolve(res); } else { console.log(err) reject(err); } }); }); return promise; } |
创建app.ts文件，书写测试代码：
| import api = require('./api');
const go = async () => { let res = await api.remote_get('http://www.baidu.com/'); console.log(res.text); } go(); |
执行命令：
tsc
然后：
node out/app
观察输出是否正确。
现在尝试抓取http://cnodejs.org/的第一页文章链接。
修改app.ts文件，代码如下：
| import api = require('./api');
import cheerio = require('cheerio'); const go = async () => { const res = await api.remote_get('http://cnodejs.org/'); const $ = cheerio.load(res.text); let urls: string[] = []; let titles: string[] = []; $('.topic_title_wrapper').each((index, element) => { titles.push($(element).find('.topic_title').first().text().trim()); urls.push('http://cnodejs.org/' + $(element).find('.topic_title').first().attr('href')); }) console.log(titles, urls); } go(); |
观察输出，文章的标题和链接都已获取到了。
现在尝试深入抓取文章内容
| import api = require('./api');
import cheerio = require('cheerio'); const go = async () => { const res = await api.remote_get('http://cnodejs.org/'); const $ = cheerio.load(res.text); $('.topic_title_wrapper').each(async (index, element) => { let url = ('http://cnodejs.org' + $(element).find('.topic_title').first().attr('href')); const res_content = await api.remote_get(url); const $_content = cheerio.load(res_content.text); console.log($_content('.topic_content').first().text()); }) } go(); |
可以发现因为访问服务器太迅猛，导致出现很多次503错误。
解决：
添加helper.ts文件：
| export const wait_seconds = function (senconds: number) {
return new Promise(resolve => setTimeout(resolve, senconds * 1000)); } |
修改api.ts文件为：
| import superagent = require('superagent');
import cheerio = require('cheerio'); export const get_index_urls = function () { const res = await remote_get('http://cnodejs.org/'); const $ = cheerio.load(res.text); let urls: string[] = []; $('.topic_title_wrapper').each(async (index, element) => { urls.push('http://cnodejs.org' + $(element).find('.topic_title').first().attr('href')); }); return urls; } export const get_content = async function (url: string) { const res = await remote_get(url); const $ = cheerio.load(res.text); return $('.topic_content').first().text(); } export const remote_get = function (url: string) { const promise = new Promise<superagent.Response>(function (resolve, reject) { superagent.get(url) .end(function (err, res) { if (!err) { resolve(res); } else { console.log(err) reject(err); } }); }); return promise; } |
修改app.ts文件为：
| import api = require('./api');
import helper = require('./helper'); import cheerio = require('cheerio'); const go = async () => { const res = await api.remote_get('http://cnodejs.org/'); const $ = cheerio.load(res.text); let urls = await api.get_index_urls(); for (let i = 0; i < urls.length; i++) { await helper.wait_seconds(1); let text = await api.get_content(urls[i]); console.log(text); } } go(); |
观察输出可以看到，程序实现了隔一秒再请求下一个内容页。
现在尝试把抓取到的东西存到数据库中。
安装mongoose模块：
npm i mongoose --save
npm i -s @types/mongoose --save
然后建立Scheme。先创建models文件夹：
mkdir models
在models文件夹下创建index.ts：
| import * as mongoose from 'mongoose';
mongoose.connect('mongodb://127.0.0.1/cnodejs_data', { server: { poolSize: 20 } }, function (err) { if (err) { process.exit(1); } }); // models export const Article = require('./article'); |
在models文件夹下创建IArticle.ts:
| interface IArticle {
title: String; url: String; text: String; } export = IArticle; |
在models文件夹下创建Article.ts:
| import mongoose = require('mongoose');
import IArticle = require('./IArticle'); interface IArticleModel extends IArticle, mongoose.Document { } const ArticleSchema = new mongoose.Schema({ title: { type: String }, url: { type: String }, text: { type: String }, }); const Article = mongoose.model<IArticleModel>("Article", ArticleSchema); export = Article; |
修改api.ts为：
| import superagent = require('superagent');
import cheerio = require('cheerio'); import models = require('./models'); const Article = models.Article; export const get_index_urls = async function () { const res = await remote_get('http://cnodejs.org/'); const $ = cheerio.load(res.text); let urls: string[] = []; $('.topic_title_wrapper').each((index, element) => { urls.push('http://cnodejs.org' + $(element).find('.topic_title').first().attr('href')); }); return urls; } export const fetch_content = async function (url: string) { const res = await remote_get(url); const $ = cheerio.load(res.text); let article = new Article(); article.text = $('.topic_content').first().text(); article.title = $('.topic_full_title').first().text().replace('置顶', '').replace('精华', '').trim(); article.url = url; console.log('获取成功：' + article.title); article.save(); } export const remote_get = function (url: string) { return new Promise<superagent.Response>((resolve, reject) => { superagent.get(url) .end(function (err, res) { if (!err) { resolve(res); } else { reject(err); } }); }); } |
修改app.ts为：
| import api = require('./api');
import helper = require('./helper'); import cheerio = require('cheerio'); (async () => { try { let urls = await api.get_index_urls(); for (let i = 0; i < urls.length; i++) { await helper.wait_seconds(1); await api.fetch_content(urls[i]); } } catch (err) { console.log(err); } console.log('完毕！'); })(); |
执行tsc
node out/app
观察输出，并去数据库检查一下
可以发现入库成功了！
- 上一篇 »爬虫实战，三 用Python爬取拉勾网
- 下一篇 »PHP写的爬虫，爬指定网站页面上的各种图片
