简书改版后,根据文章标题搜索文章的功能就不见了。
虽然简书提供了批量下载文章的功能,但是下载到本地的文章都是markdown格式的,不包含文章的链接,这不满足我的需求。
既然我是程序员,没有这个功能我就自己实现一个。
打开简书首页,发现默认只显示8篇文章,用鼠标滑动到屏幕底部后,会触发一个懒加载事件,到后台读取更多的文章列表,所以文章读取在服务器端是采取的分页实现。
打开Chrome开发者工具,观察网络请求,请求url中99b8712e8850是我简书用户id,page=2,3,4这些是分页代码。
每页的文章内容以html格式包含在响应结构里:
我关心的只是文章标题和文章链接,如上图高亮字段所示。
最开始我写了一个nodejs应用,代码如下:
var request = require('request');
var jsdom = require("jsdom");
var JSDOM = jsdom.JSDOM;
const PREFIX = "https://www.jianshu.com";
const PAGE = "https://www.jianshu.com/u/99b8712e8850?order_by=shared_at&page=";
const MAX = 2;
var mArticleResult = new Map();
var pageNumber;
/* a given article: https://www.jianshu.com/p/963cd23fb092
value got from API: /p/5c1d0319dc42
*/
var lastPageReached = false;
var url = "";
var aHandlers = [];
// use limited for loop to ease testing
for(var i = 0; i < MAX; i++){
pageNumber = i + 1;
var url = PAGE + pageNumber;
// console.log("current page: " + url);
var pageOptions = {
url: url,
method: "GET",
headers: {
"Accept": "text/html"
}
};
aHandlers.push(getArticles(pageOptions, pageNumber));
if( lastPageReached)
break;
}
console.log("promise handler size: " + aHandlers.length);
Promise.all(aHandlers).then(function(){
var articleIndex = 0;
for (var [key, value] of mArticleResult) {
console.log("Article[" + articleIndex++ + "]: " + key + " = " + value);
}
console.log("done");
}
);
function getArticles(pageOptions, pageNumber) {
return new Promise(function(resolve,reject){
var requestC = request.defaults({jar: true});
requestC(pageOptions,function(error,response,body){
if( error){
console.log("error: " + error);
resolve(error);
}
var document = new JSDOM(body).window.document;
var content = document.getElementsByTagName("li");
for( var i =0; i < content.length; i++){
var li = content[i];
var children = li.childNodes;
for( var j = 0; j < children.length; j++){
var eachChild = children[j];
if( eachChild.nodeName == "DIV"){
var grandChild = eachChild.childNodes;
for( var k = 0; k < grandChild.length; k++){
var grand = grandChild[k];
if( grand.nodeName == "A"){
var fragment = grand.getAttribute("href");
if( fragment.indexOf("/p") < 0)
continue;
console.log("title: " + grand.text);
var wholeURL = PREFIX + fragment;
console.log("url: " + wholeURL);
if( mArticleResult.has(grand.text)){
lastPageReached = true;
console.log("article size: " + mArticleResult.size);
resolve(pageNumber);
}
mArticleResult.set(grand.text, wholeURL);
}
}
}
}
}// end of outer loop
resolve(pageNumber);
});
});
}
原理就是使用nodejs的request module,向简书网站同时发起多个请求,每个请求读取一页的简书文章。
后来发现这种方法在并发请求数大于10个的时候就无法工作,简书网站会拒绝该类请求,返回HTTP 429状态码。
所以最后我采用了最简单的同步请求实现,使用了nodejs提供的sync-request在循环里发起请求。
var request = require("sync-request");
var jsdom = require("jsdom");
var JSDOM = jsdom.JSDOM;
var textEncoding = require('text-encoding');
var textDecoder = textEncoding.TextDecoder;
const PREFIX = "https://www.jianshu.com";
const PAGE = "https://www.jianshu.com/u/99b8712e8850?order_by=shared_at&page=";
const MAX = 100;
var mArticleResult = new Map();
var lastPageReached = false;
var pageNumber;
/* a given article: https://www.jianshu.com/p/963cd23fb092
value got from API: /p/5c1d0319dc42
*/
try {
// use limited for loop to ease testing
for (var i = 0; i < MAX; i++) {
if( lastPageReached)
break;
pageNumber = i + 1;
var url = PAGE + pageNumber;
console.log("current page: " + url);
var response = request('GET', url);
var html = new textDecoder("utf-8").decode(response.body);
handleResponseHTML(html);
}
}
catch (e) {
}
var articleIndex = 0;
var resultHTML = "<html>";
const fs = require('fs');
/*
<HTML>
<p>
<a href="https://www.baidu.com">eee</a>
</p>
<p><a>22</a></p>
<p><a>33</a></p>
</HTML>
*/
var index = 1;
for (var [key, value] of mArticleResult) {
var article = "<p><a href=\"" + key + "\">" +
index++ + ". " + value + "</a></p>" + "\n";
resultHTML = resultHTML + article;
console.log("Article[" + articleIndex++ + "]: " + value + " = " + key);
}
resultHTML = resultHTML + "</html>";
var pwd = process.cwd() + "/jianshu.html";
fs.appendFileSync(pwd, resultHTML);
console.log("done");
function handleResponseHTML(html) {
var document = new JSDOM(html).window.document;
var content = document.getElementsByTagName("li");
for (var i = 0; i < content.length; i++) {
var li = content[i];
var children = li.childNodes;
for (var j = 0; j < children.length; j++) {
var eachChild = children[j];
if (eachChild.nodeName == "DIV") {
var grandChild = eachChild.childNodes;
for (var k = 0; k < grandChild.length; k++) {
var grand = grandChild[k];
if (grand.nodeName == "A") {
var fragment = grand.getAttribute("href");
if (fragment.indexOf("/p") < 0)
continue;
// console.log("title: " + grand.text);
var wholeURL = PREFIX + fragment;
// console.log("url: " + wholeURL);
if (mArticleResult.has(wholeURL)) {
lastPageReached = true;
console.log("article size: " + mArticleResult.size);
return;
}
mArticleResult.set(wholeURL, grand.text);
}
}
}
}
}
}
这个nodejs应用执行后,会在本地生成一个html文件,包含每篇文章的标题和超链接。
要获取更多Jerry的原创文章,请关注公众号"汪子熙":
相关推荐
使用Scrapy+ Selenium+ChromeDriver爬取简书所有文章,然后存储到mysql数据库中,作为爬虫的练习。当然也可以用这些文章进行数据分析等等。 该压缩包有项目的完整源码和数据库的sql文件。读者可以直接使用。
2. 数据分析:可以使用Pandas进行数据整理,对用户活跃度、文章数量、粉丝数等进行统计分析,了解简书用户群体特征。 3. 可视化展示:通过Matplotlib或Seaborn等库绘制图表,如用户数量分布、活跃度趋势图等,辅助...
简书个人文章备份,图片批量导出小工具-附件资源
该项目是一款基于Scrapy和Selenium构建的简书全站文章抓取与解析系统源码,总计包含22个文件,涵盖了7个...此系统旨在高效地从简书平台抓取并解析全站文章内容,适用于需要进行大规模文章采集和分析的用户或机构。
1. **网络爬虫**:为了从CSDN和简书博客抓取文章,首先我们需要使用网络爬虫技术。Python提供了一些强大的库,如BeautifulSoup、Scrapy和Requests,可以方便地实现网页内容的抓取。通过发送HTTP请求到博主的主页,...
为了方便用户管理和寻找感兴趣的内容,简书允许你在文章中添加分类和标签。分类通常是固定的,如小说、科技、旅行等;而标签则更具灵活性,可以根据文章主题自定义,有助于提高文章的可搜索性。 二、命令行操作 ...
【描述】:“仿简书,使用nuxt Vue node完成简书所有功能”意味着这个项目是基于Nuxt.js、Vue.js和Node.js技术栈,目的是创建一个类似于简书的在线写作和阅读平台。Nuxt.js是一个用于构建Vue.js应用程序的框架,它...
在这个名为“爬虫脚本项目源码-爬取简书个人文章”的压缩包中,包含了一个用Python编写的爬虫程序,旨在从简书平台上抓取特定用户的文章数据。简书是一个流行的在线创作社区,拥有丰富的用户生成内容,尤其是各种...
在这个项目中,我们将探讨如何使用scrapy库来实现爬取简书首页的热门文章。简书作为一个流行的在线写作平台,其首页经常更新各类热门文章,通过爬虫获取这些数据,可以进行数据分析、内容挖掘或其他自定义用途。 ...
【仿简书WordPress主题】是一种针对WordPress平台设计的网站主题,旨在模仿国内知名写作社区“简书”的界面风格和用户体验。这款主题由Pete开发,它不仅在视觉上与简书相似,还试图在功能和易用性上接近原版应用,为...
文章书写区域是简书平台用于创建和编辑文章的核心部分。在这一区域内,用户可以通过简书提供的编辑工具进行文字输入、格式调整等操作。 #### 三、设置文章标题 新创建的文章,默认标题为“无标题笔记”。用户可以...
2. **查看文章列表**:在我的主页中,可以看到已发布的所有文章和文集。 #### Q10:如何备份我的文章? 为了保护用户的创作成果,简书提供了文章导出功能,方便用户备份自己的文章: 1. **设置菜单**:在设置菜单...
标题中的“那个打包的不对用这个可以:简书动态爬取用户文章分析用户的写作习惯”表明这是一个关于数据爬取和用户行为分析的项目。在这个项目中,开发者使用了爬虫技术来获取简书平台上的用户文章数据,通过对这些...
简书的首页通常包含各种文章的列表,分类展示,推荐系统,以及用户互动元素如评论和点赞。开发者可能通过这个项目学习到如何设计和实现一个动态、响应式的网页布局,以及如何通过API获取和展示数据。 【标签】"web...
一键同步文章到多个内容平台,支持今日头条、WordPress、知乎、简书、掘金、CSDN、typecho各大平台,一次发布,多平台同步发布。解放个人生产力.zip
Python爬虫练习:bilibili用户信息爬取、下载工具、房天下新房二手房爬虫、简书全站文章爬取等.zip 申明 个人的一些python 爬虫练习 仅限于学习交流 目录 Scrapy-Redis 房天下新房二手房redis分布式爬虫 Scrapy ...
简书作为一个流行的创作社区,其应用包含了许多功能,如用户注册登录、文章发布、阅读、评论、点赞、收藏等。因此,这个仿制源码可能涵盖了这些核心功能的实现,开发者可以通过研究源码学习如何实现这些功能。 在...
这个功能在简书APP中尤其受到用户喜爱,它允许用户将文章内容转化为一张长图片,便于保存或分享。以下我们将详细讨论如何实现这一功能。 首先,我们要处理文章页的内容展示。在Android中,通常会使用`WebView`来...
这包括但不限于使用SwiftUI或UIKit来构建页面结构,如文章列表、文章详情页、评论区域等。SwiftUI是Apple推出的新一代界面构建框架,它可以提供声明式编程方式,使界面构建更为直观。而UIKit则是传统的界面构建工具...