内容简介:网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。这是github项目地址:
网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
这是github项目地址:
这是网站:
爬虫目标
以掘金和csdn技术文章作为爬取目标,最终实现至本地网页展示
爬虫技术
Nodejs作为核心后端爬取媒介 Mysql 作为数据存储 Webpack+react+ant Design作为前端页面数据展示
爬虫框架
superagent基于nodejs服务端请求的模块,是轻量级更为优化的ajax API,对比大量糟糕的现存的API,SuperAgent是灵活的、易读的、并且非常易学,同时SuperAgent可用于Node.js!
爬虫实现
1)创建爬虫项目文件夹,例如:pachong
2)初始化项目,npm init,一切默认回车;
3)安装模块:
npm install --save-dev antd,babel-core,babel-loader,babel-plugin-import,babel-plugin-transform-runtime,babel-preset-es2015,babel-preset-react,cheerio,compression,compression-webpack-plugin,css-loader,extract-text-webpack-plugin,fs,gzip-loader,html-loader,jquery,less,less-loader,moment,mysql,node-sass,react,react-dom,react-router,react-router-dom,sass-loader,style-loader,superagent,webpack,webpack-dev-server 复制代码
可能有部分模块没用,但不影响项目使用。
4)完整项目文件如图:
asset:公共资源文件夹
component:组件文件夹
dist:打包文件夹
images:本地图片
src:入口文件夹
views:静态页面文件夹
.babelrc,nightIndex.js:nodejs启动文件
mysql.json:mysql数据库配置文件
requestUrl.json:请求源配置文件
webpack.config.js
5)先配置webpack.config.js
核心配置: entry-获取入口文件夹列表 output-打包文件到dist目录 devServer-服务器配置 module-模块预处理 plugins-插件列表 具体可以查阅webpack官网api教程;
6)devServer配置项中proxy为反向代理,可以解决跨域问题,这里请求的本地服务。
7)优先创建好mysql,创建数据库jjchapter,2个表,chapterlist和csdnlist表
8)配置nightIndex.js文件,主要引入express,superagent模块,用于服务端启动和请求,引用请求源文件requestUrl.json,mysql.json数据库文件
9)如图:requestUrl.json为:
mysql.json为:
10)用nodejs作为服务端,请求时需要设置跨域请求的中间件:
11)引入mysql模块,创建mysql数据库缓存池,提高数据库读取性能
12)编写查询,增加数据库操作
pool.getConnection((err,conn)=>{...})为创建数据库池链接,返回err,conn对象,conn为当前数据库连接对象,后续需要此对象归还连接资源,减少资源占用;
13)编写掘金和csdn爬取方法:
此处用到了superagent模块的.post请求,_request.post(url).send(请求头).set(“设置请求头”,””).then(res=>{成功回调函数}).catch(err=>{失败回调函数});由于掘金需要设置请求头,.set("x-Agent","Juejin/Web").set("Accept","application/json")以及RequestUrl.juejinReq.requestHead;csdn比较简单,只需要请求一个地址即可。返回的数据由res.body下获取;
14)由于数据需要不停的去爬取保存到数据库,定义个间隔10分钟请求一次掘金跟csdn的函数,用于自动爬取手段
15)Node服务已经准备完毕。接下来就是将爬取到本地数据如何渲染到html上。
16)前面webpack提到src是入口文件夹,那么app是整个页面的入口文件,配置如下
17)component/app/app.js主要组件渲染
其中引用了ant design的部分组件api,react,react-router-dom模块,该组件主要是将头尾公共部分抽离进行展示,中间内容展示区域将有BrowserRouter,Route,Link组件路由到指定内容组件,提高组件渲染;
18)Home组件,掘金内容展示组件,采用ant的Layout布局,List列表组件自上而下滚动加载。
19)Csdn组件,同理,多出icon元素的展示。
20)首屏数据请求函数
由于掘金跟csdn返回的数据结构不一致,在data传递的type类型做了区分
21)下拉加载绑定$(window).on(‘scroll’,func)滚动事件到底部监听;当数据请求完时,取消绑定滚动事件。
22)Html页面展示有多元化,每个人按自己的喜好去展示。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 网络爬虫直播观看总结(掘金直播第十期)
- 利用Python爬虫过滤“掘金”的关键词检索结果
- 掘金小册写作参考
- 使用xposed更改掘金的侧滑退出的触发范围(左撇子,掘金的这个侧滑退出的体验一言难尽)
- 掘金小册优惠折扣一览
- React Demo Four - 掘金
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
The Elements of Statistical Learning
Trevor Hastie、Robert Tibshirani、Jerome Friedman / Springer / 2009-10-1 / GBP 62.99
During the past decade there has been an explosion in computation and information technology. With it have come vast amounts of data in a variety of fields such as medicine, biology, finance, and mark......一起来看看 《The Elements of Statistical Learning》 这本书的介绍吧!