一只node爬虫的升级打怪之路

太过爱你忘了你带给我的痛 2021-09-16 10:28 326阅读 0赞

我一直觉得，爬虫是许多web开发人员难以回避的点。我们也应该或多或少的去接触这方面，因为可以从爬虫中学习到web开发中应当掌握的一些基本知识。而且，它还很有趣。

作者：Nick Bourdakos

我是一个知乎轻微重度用户，之前写了一只爬虫帮我爬取并分析它的数据，我感觉这个过程还是挺有意思，因为这是一个不断给自己创造问题又去解决问题的过程。其中遇到了一些点，今天总结一下跟大家分享分享。

**它都爬了什么?**

先简单介绍下我的爬虫。它能够定时抓取一个问题的关注量、浏览量、回答数，以便于我将这些数据绘成图表展现它的热点趋势。为了不让我错过一些热门事件，它还会定时去获取我关注话题下的热门问答，并推送到我的邮箱。

作为一个前端开发人员，我必须为这个爬虫系统做一个界面，能让我登陆知乎帐号，添加关注的题目、话题，看到可视化的数据。所以这只爬虫还有登陆知乎、搜索题目的功能。

然后来看下界面。

![大数据][20171115043338394.jpg]

![大数据][20171115043338414.jpg]

下面正儿八经讲它的开发历程。

**技术选型**

Python得益于其简单快捷的语法、以及丰富的爬虫库，一直是爬虫开发人员的首选。可惜我不熟。当然最重要的是，作为一名前端开发人员，node能满足爬虫需求的话，自然更是首选。而且随着node的发展，也有许多好用的爬虫库，甚至有puppeteer这样直接能模拟Chrome访问网页的工具的推出，node在爬虫方面应该是妥妥能满足我所有的爬虫需求了。

于是我选择从零搭建一个基于koa2的服务端。为什么不直接选择egg，express，thinkjs这些更加全面的框架呢?因为我爱折腾嘛。而且这也是一个学习的过程。如果以前不了解node，又对搭建node服务端有兴趣，可以看我之前的一篇文章-从零搭建Koa2 Server。

爬虫方面我选择了request+cheerio。虽然知乎有很多地方用到了react，但得益于它绝大部分页面还是服务端渲染，所以只要能请求网页与接口(request)，解析页面(cherrio)即可满足我的爬虫需求。

其他不一一举例了，我列个技术栈

**服务端**

koajs 做node server框架；  
request + cheerio 做爬虫服务；  
mongodb 做数据存储；  
node-schedule 做任务调度；  
nodemailer 做邮件推送。

**客户端**

vuejs 前端框架；  
museui Material Design UI库；  
chart.js 图表库。

技术选型妥善后，我们就要关心业务了。首要任务就是真正的爬取到页面。

**如何能爬取网站的数据?**

知乎并没有对外开放接口能让用户获取数据，所以想获取数据，就得自己去爬取网页信息。我们知道即使是网页，它本质上也是个GET请求的接口，我们只要在服务端去请求对应网页的地址(客户端请求会跨域)，再把html结构解析下，获取想要的数据即可。

那为什么我要搞一个登陆呢?因为非登陆帐号获取信息，知乎只会展现有限的数据，而且也无法得知自己知乎帐户关注的话题、问题等信息。而且若是想自己的系统也给其他朋友使用，也必须搞一个帐户系统。

**模拟登陆**

大家都会用Chrome等现代浏览器看请求信息，我们在知乎的登录页进行登陆，然后查看捕获接口信息就能知道，登陆无非就是向一个登陆api发送账户、密码等信息，如果成功。服务端会向客户端设置一个cookie，这个cookie即是登陆凭证。

所以我们的思路也是如此，通过爬虫服务端去请求接口，带上我们的帐号密码信息，成功后再将返回的cookie存到我们的系统数据库，以后再去爬取其他页面时，带上此cookie即可。

当然，等我们真正尝试时，会受到更多挫折，因为会遇到token、验证码等问题。不过，由于我们有客户端了，可以将验证码的识别交给真正的人，而不是服务端去解析图片字符，这降低了我们实现登陆的难度。

一波三折的是，即使你把正确验证码提交了，还是会提示验证码错误。如果我们自己做过验证码提交的系统就能够迅速的定位原因。如果没做过，我们再次查看登陆时涉及的请求与响应，我们也能猜到：

在客户端获取验证码时，知乎服务端还会往客户端设置一个新cookie，提交登陆请求时，必须把验证码与此cookie一同提交，来验证此次提交的验证码确实是当时给予用户的验证码。

语言描述有些绕，我以图的形式来表达一个登陆请求的完整流程。

![大数据][20171115043338327.jpg]

注：我编写爬虫时，知乎还部分采取图片字符验证码，现已全部改为“点击倒立文字”的形式。这样会加大提交正确验证码的难度，但也并非无计可施。获取图片后，由人工识别并点击倒立文字，将点击的坐标提交到登陆接口即可。当然有兴趣有能力的同学也可以自己编写算法识别验证码。

**爬取数据**

上一步中，我们已经获取到了登陆后的凭证cookie。用户登陆成功后，我们把登陆的帐户信息与其凭证cookie存到mongo中。以后此用户发起的爬取需求，包括对其跟踪问题的数据爬取都根据此cookie爬取。

当然cookie是有时间期限的，所以当我们存cookie时，应该把过期时间也记录下来，当后面再获取此cookie时，多加一步过期校验，若过期了则返回过期提醒。

爬虫的基础搞定后，就可以真正去获取想要的数据了。我的需求是想知道某个知乎问题的热点趋势。先用浏览器去看看一个问题页面下都有哪些数据，可以被我爬取分析。举个例子，比如这个问题：有哪些令人拍案叫绝的推理桥段。

打开链接后，页面上最直接展现出来的有关注者，被浏览，1xxxx个回答，还要默认展示的几个高赞回答及其点赞评论数量。右键查看网站源代码，确认这些数据是服务端渲染出来的，我们就可以通过request请求网页，再通过cherrio，使用css选择器定位到数据节点，获取并存储下来。代码示例如下：

async getData (cookie, qid) \{  
const options = \{  
url: \`$\{zhihuRoot\}/question/$\{qid\}\`,  
method: 'GET',  
headers: \{  
'Cookie': cookie,  
'Accept-Encoding': 'deflate, sdch, br' // 不允许gzip,开启gzip会开启知乎客户端渲染，导致无法爬取  
\}  
\}  
const rs = await this.request(options)  
if (rs.error) \{  
return this.failRequest(rs)  
\}  
const $ = cheerio.load(rs)  
const NumberBoard = $('.NumberBoard-item .NumberBoard-value')  
const $title = $('.QuestionHeader-title')  
$title.find('button').remove()  
return \{  
success: true,  
title: $title.text(),  
data: \{  
qid: qid,  
followers: Number($(NumberBoard\[0\]).text()),  
readers: Number($(NumberBoard\[1\]).text()),  
answers: Number($('h4.List-headerText span').text().replace(' 个回答', ''))  
\}  
\}  
\}

这样我们就爬取了一个问题的数据，只要我们能够按一定时间间隔不断去执行此方法获取数据，最终我们就能绘制出一个题目的数据曲线，分析起热点趋势。

那么问题来了，如何去做这个定时任务呢?

**定时任务**

我使用了node-schedule做任务调度。如果之前做过定时任务的同学，可能对其类似cron的语法比较熟悉，不熟悉也没关系，它提供了not-cron-like的，更加直观的设置去配置任务，看下文档就能大致了解。

当然这个定时任务不是简单的不断去执行上述的爬取方法getData。因为这个爬虫系统不仅是一个用户，一个用户不仅只跟踪了一个问题。

所以我们此处的完整任务应该是遍历系统的每个cookie未过期用户，再遍历每个用户的跟踪问题，再去获取这些问题的数据。

系统还有另外两个定时任务，一个是定时爬取用户关注话题的热门回答，另一个是推送这个话题热门回答给相应的用户。这两个任务跟上述任务大致流程一样，就不细讲了。

但是在我们做定时任务时会有个细节问题，就是如何去控制爬取时的并发问题。具体举例来说：如果爬虫请求并发太高，知乎可能是会限制此IP的访问的，所以我们需要让爬虫请求一个一个的，或者若干个若干个的进行。

简单思考下，我们会采取循环await。我不假思索的写下了如下代码：

// 爬虫方法  
async function getQuestionData () \{  
// do spider action  
\}

// questions为获取到的关注问答  
questions.forEach(await getQuestionData)

然而执行之后，我们会发现这样其实还是并发执行的，为什么呢?其实仔细想下就明白了。forEach只是循环的语法糖，如果没有这个方法，让你来实现它，你会怎么写呢?你大概也写的出来：

Array.prototype.forEach = function (callback) \{  
for (let i = 0; i < this.length; i++) \{  
callback(this\[i\], i, this)  
\}  
\}

虽然forEach本身会更复杂点，但大致就是这样吧。这时候我们把一个异步方法作为参数callback传递进去，然后循环执行它，这个执行依旧是并发执行，并非是同步的。

所以我们如果想实现真正的同步请求，还是需要用for循环去执行，如下：

async function getQuestionData () \{  
// do spider action  
\}  
for (let i = 0; i < questions.length; i++) \{  
await getQuestionData()  
\}

除了for循环，还可以通过for-of，如果对这方面感兴趣，可以去多了解下数组遍历的几个方法，顺便研究下ES6的迭代器Iterator。

其实如果业务量大，即使这样做也是不够的。还需要更加细分任务颗粒度，甚至要加代理IP来分散请求。

**合理搭建服务端**

下面说的点跟爬虫本身没有太大关系了，属于服务端架构的一些分享，如果只关心爬虫本身的话，可以不用再往下阅读了。

我们把爬虫功能都写的差不多了，后面只要编写相应的路由，能让前端访问到数据就好了。但是编写一个没那么差劲的服务端，还是需要我们深思熟虑的。

**合理分层**

我看过一些前端同学写的node服务，经常就会把系统所有的接口(router action)都写到一个文件中，好一点的会根据模块分几个对于文件。

但是如果我们接触过其他成熟的后端框架、或者大学学过一些J2EE等知识，就会本能意识的进行一些分层：

model 数据层。负责数据持久化，通俗说就是连接数据库，对应数据库表的实体数据模型;  
service 业务逻辑层。顾名思义，就是负责实现各种业务逻辑。  
controller 控制器。调取业务逻辑服务，实现数据传递，返回客户端视图或数据。

当然也有些框架或者人会将业务逻辑service实现在controller中，亦或者是model层中。我个人认为一个稍微复杂的项目，应该是单独抽离出抽象的业务逻辑的。

比如在我这个爬虫系统中，我将数据库的添删改查操作按model层对应抽离出service，另外再将爬取页面的服务、邮件推送的服务、用户鉴权的服务抽离到对应的service。

最终我们的api能够设计的更加易读，整个系统也更加易拓展。

**分层在koa上的实践**

如果是直接使用一个成熟的后端框架，分层这事我们是不用多想的。node这样的框架也有，我之前介绍的我厂开源的api-mocker采用的egg.js，也帮我们做好了合理的分层。

但是如果自己基于koa从零搭建一个服务端，在这方面上就会遇到一些挫折。koa本身逻辑非常简单，就是调取一系列中间件(就是一个个function)，来处理请求。官方自己提供的koa-router，即是帮助我们识别请求路径，然后加载对应的接口方法。

我们为了区分业务模块，会把一些接口方法写在同一个controller中，比如我的questionController负责处理问题相关的接口;topicController负责处理话题相关的接口。

那么我们可能会这样编写路由文件：

const Router = require('koa-router')  
const router = new Router()

const question = require('./controller/question')  
const topic = require('./controller/topic')

router.post('/api/question', question.create)  
router.get('/api/question', question.get)

router.get('/api/topic', topic.get)  
router.post('/api/topic/follow', topic.follow)

module.exports = router

我的question文件可能是这样写的：

class Question \{  
async get () \{  
// return data  
\}  
async create () \{  
// create question and return data  
\}  
\}

module.exports = new Question()

**那么问题就来了**

单纯这样写是没有办法真正的以面向对象的形式来编写controller的。为什么呢?

因为我们将question对象的属性方法作为中间件传递到了koa-router中，然后由koa底层来合并这些中间件方法，作为参数传递到http.createServer方法中，最终由node底层监听请求时调用。那这个this到底会是谁，不进行调试，或者查看koa与node源代码，是无从得知的。但是无论如何方法调用者肯定不是这个对象自身了(实际上它会是undefined)。

也就是说，我们不能通过this来获取对象自身的属性或方法。

那怎么办呢?有的同学可能会选择将自身一些公共方法，直接写在class外部，或者写在某个utils文件中，然后在接口方法中使用。比如这样：

const error = require('utils/error')

const success = (ctx, data) => \{  
ctx.body = \{  
success: true,  
data: data  
\}  
\}

class Question \{  
async get () \{  
success(data)  
\}  
async create () \{  
error(result)  
\}  
\}

module.exports = new Question()

这样确实ok，但是又会有新的问题—这些方法就不是对象自己的属性，也就没办法被子类继承了。

为什么需要继承呢?因为有时候我们希望一些不同的controller有着公共的方法或属性，举个例子：我希望我所有的成功or失败都是这样的格式：

\{  
success: false,  
message: '对应的错误消息'  
\}  
\{  
success: true,  
data: '对应的数据'  
\}

按照koa的核心思想，这个通用的格式转化，应该是专门编写一个中间件，在路由中间件之后(即执行完controller里的方法之后)去做专门处理并response。

然而这样会导致每有一个公共方法，就必须要加一个中间件。而且controller本身已经失去了对这些方法的控制权。这个中间件是执行自身还是直接next()将会非常难判断。

如果是抽离成utils方法再引用，也不是不可以，就是方法多的话，声明引用稍微麻烦些，而且没有抽象类的意义。

更理想的状态应该是如刚才所说的，大家都继承一个抽象的父类，然后去调用父类的公共相应方法即可，如:

class AbstractController \{  
success (ctx, data) \{  
ctx.body = \{  
success: true,  
data: data  
\}  
\}  
error (ctx, error) \{  
ctx.body = \{  
success: false,  
msg: error  
\}  
\}  
\}  
class Question extends AbstractController \{  
async get (ctx) \{  
const data = await getData(ctx.params.id)  
return super.success(ctx, data)  
\}  
\}

这样就方便多了，不过如果写过koa的人可能会有这样的烦恼，一个上下文ctx总是要作为参数传递来传递去。比如上述控制器的所有中间件方法都得传ctx参数，调用父类方法时，又要传它，还会使得方法损失一些可读性。

所以总结一下，我们有如下问题：

controller中的方法无法调用自身的其他方法、属性;  
调用父类方法时，需要传递上下文参数ctx。

**解决它**

其实解决的办法很简单，我们只要想办法让controller方法中的this指向实例化对象自身，再把ctx挂在到这个this上即可。

怎么做呢?我们只要再封装一下koa-router就好了，如下所示：

const Router = require('koa-router')  
const router = new Router()  
const question = require('./controller/question')  
const topic = require('./controller/topic')

const routerMap = \[  
\['post', '/api/question', question, 'create'\],  
\['get', '/api/question', question, 'get'\],  
\['get', '/api/topic', topic, 'get'\],  
\['post', '/api/topic/follow', topic, 'follow'\]  
\]

routerMap.map(route => \{  
const \[ method, path, controller, action \] = route

router\[method\](path, async (ctx, next) =>  
controller\[action\].bind(Object.assign(controller, \{ ctx \}))(ctx, next)  
)  
\})

module.exports = router

大意就是在路由传递controller方法时，将controller自身与ctx合并，通过bind指定该方法的this。这样我们就能通过this获取方法所属controller对象的其他方法。此外子类方法与父类方法也能通过this.ctx来获取上下文对象ctx。

但是bind之前我们其实应该考虑以下，其他中间件以及koa本身会不会也干了类似的事，修改了this的值。如何判断呢，两个办法：

调试。在我们未bind之前，在中间件方法中打印一下this，是undefined的话自然就没被绑定。  
看koa-router/koa/node的源代码。

事实是，自然是没有的。那我们就放心的bind吧。

**写在最后**

上述大概就是编写这个小工具时，遇到的一些点，感觉可以总结的。也并没有什么技术难点，不过可以借此学习学习一些相关的知识，包括网站安全、爬与反爬、、koa底层原理等等。

这个工具本身非常的个人色彩，不一定满足大家的需要。而且它在半年前就写好了，只不过最近被我挖坟拿出来总结。而且就在我即将写完文章时，我发现知乎提示我的账号不安全了。我估计是以为同一IP同一账户发起过多的网络请求，我这台服务器IP已经被认为是不安全的IP了，在这上面登录的账户都会被提示不安全。所以我不建议大家将其直接拿来使用。

当然，如果还是对其感兴趣，本地测试下或者学习使用，还是没什么大问题的。或者还有更深的兴趣的话，可以自己尝试去绕开知乎的安全策略。

为此我在这里为大家准备了一些资料，希望对大家有帮助，需要的话可以加我QQ：3300863615  免费领取哦

![70][]

[20171115043338394.jpg]: http://www.raincent.com/uploadfile/2017/1115/20171115043338394.jpg
[20171115043338414.jpg]: http://www.raincent.com/uploadfile/2017/1115/20171115043338414.jpg
[20171115043338327.jpg]: http://www.raincent.com/uploadfile/2017/1115/20171115043338327.jpg
[70]: /images/20210724/e4b9657aa7f94b04b7ae2293b329ed24.png