网络爬虫入门教程（二）：configs详解

相关教程：
网络爬虫入门教程（一）：概述
http://2879835984.iteye.com/blog/2306914


configs详解——之成员

爬虫的整体框架是这样：首先定义了一个configs对象, 里面设置了待爬网站的一些信息, 然后通过调用var crawler = new Crawler(configs);和crawler.start();来配置并启动爬虫.

configs对象中可以定义下面这些成员

domains

定义爬虫爬取哪些域名下的网页, 非域名下的url会被忽略以提高爬取速度

数组类型不能为空举个栗子:

    domains: ["wallstreetcn.com"],

    domains: ["zhihu.sogou.com", "zhihu.com"],

scanUrls

定义爬虫的入口链接, 爬虫从这些链接开始爬取,

同时这些链接也是监控爬虫所要监控的链接

数组类型不能为空

scanUrls的上限是1000，即爬虫每次最多处理1000个url

举个栗子:

    scanUrls: ["http://wallstreetcn.com/news"],

    scanUrls: ["http://club2011.auto.163.com/board/biaozhi308/r0a0t0g0bpeo0-n1.html", "http://club2011.auto.163.com/board/fengshen/r0a0t0g0bpeo0-n1.html"],

contentUrlRegexes

定义内容页url的规则

内容页是指包含要爬取内容的网页 比如http://www.qiushibaike.com/article/115878724就是糗事百科的一个内容页

数组类型正则表达式最好填写以提高爬取效率

举个栗子:

    contentUrlRegexes: ["http://wallstreetcn\\.com/node/\\d+"],

    contentUrlRegexes: ["http://club2011\\.auto\\.163\\.com/post/\\d+\\.html.*"],

特别需要注意的是，正则表达式中.和?都是需要转义的。

helperUrlRegexes

定义列表页url的规则

对于有列表页的网站, 使用此配置可以大幅提高爬虫的爬取速率

列表页是指包含内容页列表的网页 比如http://www.qiushibaike.com/8hr/page/2/?s=4867046就是糗事百科的一个列表页

数组类型正则表达式

举个栗子:

    helperUrlRegexes: ["http://wallstreetcn\\.com/news(\\?/page=\\d+)?"],

    helperUrlRegexes: ["http://club2011\\.auto\\.163\\.com/board/biaozhi308/r0a0t0g0bpeo0\\-n\\d+\\.html.*", "http://club2011\\.auto\\.163\\.com/board/fengshen/r0a0t0g0bpeo0\\-n\\d+\\.html.*"],

fields

定义内容页的抽取规则

规则由一个个field组成, 一个field代表一个数据抽取项

数组类型不能为空举个栗子:

    fields: [

    {

    name: "content",

    selector: "//*[@id='single-next-link']",

    required: true

    },

    {

    name: "author",

    selector: "//div[contains(@class,'author')]//h2"

    }

    ]

上面的例子从网页中抽取内容和作者, 抽取规则是针对糗事百科的内容页写的

field在configs详解——之field中作详细介绍。

enableProxy

是否使用代理

如果爬取的网站根据IP做了反爬虫, 可以设置此项为true

布尔类型可选设置举个栗子:

enableProxy: true,

interval

爬虫爬取每个网页的时间间隔

单位：毫秒

整型可选设置

interval最低设置为2000（毫秒），即2秒

举个栗子:

interval:5000,

​
configs详解——之field​

​field定义一个抽取项, 一个field可以定义下面这些东西

name

给此项数据起个变量名。变量名中不能包含.如果抓取到的数据想要以文章或者问答的形式发布到网站(WeCenter,WordPress,Discuz!等),

field的命名请参考两个完整demo​中的命名, 否则无法发布成功

String类型不能为空

举个栗子:给field起了个名字叫question

    {    name:"question",    selector:"//*[@id='zh-question-title']/h2"}

selector

定义抽取规则, 默认使用XPath

​如果使用其他类型的, 需要指定selectorType

String类型不能为空

举个栗子:使用XPath来抽取知乎问答网页的问题，selector的值就是问题的XPath

    {    name:"question"

    , selector:"//*[@id='zh-question-title']/h2"}

selectorType

抽取规则的类型

目前可用SelectorType.XPath,SelectorType.JsonPath,SelectorType.Regex

​默认SelectorType.XPath

枚举类型

栗子1:selector默认使用XPath

    {    name:"question"

    , selector:"//*[@id='zh-question-title']/h2"// XPath抽取规则}

栗子2:selector使用JsonPath，如果内容是Json数据格式，则使用JsonPath抽取数据比较方便

    {    name:"question_answer_content"

    , selectorType: SelectorType.JsonPath, selector:"$.comment.content",// JsonPath抽取规则required:true}

栗子3:除了XPath和JsonPath之外，神箭手还支持使用正则表达式来抽取数据

    {

    name: "title",

    selectorType: SelectorType.Regex,

    selector: '

    [^\\/]+<\\/h1>' // Regex抽取规则

    }

required

定义该field的值是否必须, 默认false

​赋值为true的话, 如果该field没有抽取到内容, 该field对应的整条数据都将被丢弃

布尔类型

举个栗子:

{    name:"article_title"

, selector:"//div[contains(@class,'location')]/text()[3]", required:true}

repeated

定义该field抽取到的内容是否是有多项, 默认false

​赋值为true的话, 无论该field是否真的是有多项, 抽取到的结果都是数组结构

布尔类型

举个栗子:爬取的网页中包含多条评论，所以抽取评论的时候要将repeated赋值为true

    {    name:"comments"

    , selector:"//*[@id='zh-single-question-page']//a[contains(@class,'zm-item-tag')]", repeated:true}

children

为此field定义子项

子项的定义仍然是一个fields结构, 即一个field对象的数组没错, 这是一个树形结构

数组类型

举个栗子:抓取知乎问答网页的回答，每个回答爬取了内容，作者，赞同数

    {

    name: "answers",

    selector: "//*[@id=\"zh-question-answer-wrap\"]/div",

    repeated: true,

    children: [

    {

    name: "content",

    selector: "//div[contains(@class,\"zm-editable-content\")]",

    required: true

    },

    {

    name: "author",

    selector: "//a[@class=\"author-link\"]"

    },

    {

    name: "agree_count",

    selector: "//button[@class=\"up\"]/span[@class=\"count\"]"

    }

    ]

    }

sourceType​

该field的数据源, 默认从当前的网页中抽取数据

选择SourceType.AttachedUrl可以发起一个新的请求, 然后从请求返回的数据中抽取

选择SourceType.UrlContext可以从当前网页的url附加数据中抽取

url附加数据后面会作介绍

枚举类型

attachedUrl

当sourceType设置为SourceType.AttachedUrl时, 定义新请求的url

String类型

举个栗子:当爬取的网页中某些内容需要异步加载请求时，就需要使用attachedUrl，比如，抓取知乎回答中的评论部分，就是通过AJAX异步请求的数据

    {

    name: "comment_id",

    selector: "//div/@data-aid",

    },

    {

    name: "comments",

    sourceType: SourceType.AttachedUrl,

    // "comments"是从发送"attachedUrl"这个异步请求返回的数据中抽取的

    // "attachedUrl"支持引用上下文中的抓取到的"field", 这里就引用了上面抓取的"comment_id"

    attachedUrl: "https://www.zhihu.com/r/answers/{comment_id}/comments",

    selectorType: SelectorType.JsonPath,

    selector: "$.data",

    repeated: true,

    children: [

    ...

    ]

    }

UrlContext

当sourceType赋值为SourceType.UrlContext时, 表示从内容页中的附加数据（是开发者自定义的一段代码，例如，html代码）中抽取数据

String类型

举个栗子:将自定义数据附加到内容页中，然后再提取到field

    var configs = {

    // configs中的其他成员

    ...

    fields: [

    {

    name: "extra_data",

    // 这里是从开发者附加的一段html代码中抽取的数据

    sourceType: SourceType.UrlContext,

    selector: "//span[contains(@class,'shenjianshou')]",

    }

    ]

    };

    configs.onProcessHelperPage = function(page, content, site) {

    // 定义附加数据

    var extraData = '

    100

    ';

    // 将extraData附加到contentUrl对应的网页中，将contentUrl添加到待爬队列中

    site.addUrl(contentUrl, "get", null, extraData);

    ...

    return false;

    }

transient

定义该field是否被移除, 默认false

​赋值为true的话, 在调用afterExtractPage回调函数（在configs详解——之回调函数中会详细描述）后，才会移除包含transient字段的field

布尔类型

举个栗子:爬取的数据中要移除某个field时，要将transient赋值为true

    {

    name: "avatar",

    selector: "//div[contains(@class,'bbs_detail_item')][1]//a[1]/img",

    transient: true

    }


configs详解——之site, page和consolesite

​site

site表示当前正在爬取的网站的对象，下面介绍了可以调用的函数

site.addHeader(key, value)

一般在beforeCrawl回调函数（在configs详解——之回调函数中会详细描述）中调用, 用来添加一些HTTP请求的Header

    @param key Header的key, 如User-Agent,Referer等

    @param value Header的值

举个栗子:

Referer是HTTP请求Header的一个属性，http://buluo.qq.com/p/index.html是Referer的值

configs.beforeCrawl = function(site) {

site.addHeader("Referer", "http://buluo.qq.com/p/index.html");

}

site.addCookie(key, value)

一般在beforeCrawl回调函数（在configs详解——之回调函数中会详细描述）中调用, 用来添加一些HTTP请求的Cookie

    @param key Cookie的key

    @param value Cookie的值

举个栗子:

cookie是由键-值对组成的，BAIDUID是cookie的key，FEE96299191CB0F11954F3A0060FB470:FG=1则是cookie的值

configs.beforeCrawl = function(site) {

site.addCookie("BAIDUID", "FEE96299191CB0F11954F3A0060FB470:FG=1");}

site.addCookies(cookies)

一般在beforeCrawl回调函数（在configs详解——之回调函数中会详细描述）中调用, 用来添加一些HTTP请求的Cookie

@param cookies 多个Cookie组成的字符串

举个栗子:

cookies是多个cookie的键-值对组成的字符串，用;分隔。BAIDUID和BIDUPSID是cookie的key，FEE96299191CB0F11954F3A0060FB470:FG=1和FEE96299191CB0F11954F3A0060FB470是cookie的值，键-值对用=相连

configs.beforeCrawl = function(site) {

site.addCookies("BAIDUID=FEE96299191CB0F11954F3A0060FB470:FG=1; BIDUPSID=FEE96299191CB0F11954F3A0060FB470;");

​site.addUrl(url, options)

一般在onProcessScanPage和onProcessHelperPage回调函数（在configs详解——之回调函数中会详细描述）中调用, 用来往待爬队列中添加url

    @param url 待添加的url

    @param options javascript对象，成员包括method、data、contextData、headers和reserve，如下所示：

    @param options.method 默认为"GET"请求，也支持"POST"请求

    @param options.data 发送请求时需添加的参数，可以为空

    @param options.contextData 此url附加的数据, 可以为空

    @param options.headers 此url的Headers, 可以为空

    @param options.reserve 此url是否去重, 默认为false（设置为false，表示之前处理过的url不再插入待爬队列；设置为true，表示之前处理过的url也会插入待爬队列）

兼容之前版本site.addUrl(url, method, data, contextData)

栗子1:

    configs.onProcessHelperPage = function(page, content, site) {

    var regex = /https?:\\\/\\\/www\.jiemian\.com\\\/article\\\/\d+\.html/g;

    var urls = [];

    urls = content.match(regex);

    if (urls != "") {

    for (var i = 0, n = urls.length; i < n; i++) {

    urls[i] = urls[i].replace(/\\/g, "");

    // get请求，未添加options对象

    site.addUrl(urls[i]);

    }

    }

    ...

    return false;

    }

栗子2:

    configs.onProcessHelperPage = function(page, content, site) {

    ...

    var nextUrl = page.url.replace("page="+currentPageNum, "page="+pageNum);

    // 定义"options"对象，包括"method"和"data"两个成员

    var options = {

    method: "POST",

    data: {

    page: pageNum,

    size: 18

    }

    };

    // post请求，添加options对象

    site.addUrl(nextUrl, options);

    return false;

site.requestUrl(url, options)

一般在beforeCrawl, afterDownloadPage, onProcessScanPage和onProcessHelperPage回调函数（在configs详解——之回调函数中会详细描述）中调用, 下载网页, 得到网页内容

    @param url 待下载的url

    @param options javascript对象，成员包括method、data和headers，如下所示：

    @param options.method 默认为"GET"请求，也支持"POST"请求

    @param options.data 发送请求时需添加的参数，可以为空

    @param options.headers 此url的Headers, 可以为空

兼容之前版本site.requestUrl(url, method, data)

举个栗子:

    configs.afterDownloadPage = function(page, site) {

    var url = "https://checkcoverage.apple.com/cn/zh/?sn=FK1QPNCEGRYD";

    // 定义"options"对象，包括"method"和"data"两个成员

    var options = {

    method: "POST",

    data: {

    sno: "FK1QPNCEGRYD",

    CSRFToken: result[1]

    }

    };

    // 通过发送带参数的POST请求，下载网页，并将网页内容赋值给result

    var result = site.requestUrl(url, options);

    ...

    return page;

    }

site.setUserAgent(userAgent)

一般在beforeCrawl等回调函数（在configs详解——之回调函数中会详细描述）中调用, 设置浏览器userAgent

@param userAgent 需添加的userAgent

默认使用userAgent：Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36

查看“常见浏览器userAgent大全”

举个栗子:

    configs.beforeCrawl = function(site) {

    var userAgent = "Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/";

    site.setUserAgent(userAgent);

    }

page

page表示当前正在爬取的网页页面的对象，下面介绍了可以调用的变量和函数

page.url

当前正在爬取的网页页面的url

举个栗子:

在afterExtractPage回调函数（在configs详解——之回调函数中会详细描述）中，将url值赋给名叫article_content的field

    configs.afterExtractPage = function(page, data) {

    data.article_content = page.url + "";

    return data;

    }

​page.raw

当前网页原始内容

举个栗子:

在onProcessScanPage回调函数（在configs详解——之回调函数中会详细描述）中，通过page.raw得到网页原始内容，然后转换成Json对象

    configs.onProcessScanPage = function(page, content, site) {

    var jsonObj = JSON.parse(page.raw);

    ...

    return false;

    }

page.skip(fieldName)

一般在afterExtractField回调函数（在configs详解——之回调函数中会详细描述）中使用, 用来忽略当前网页的抽取结果或当前上下文的一条结果

@param fieldName 根据fieldName来确定忽略范围，可以为空。当为空时，忽略当前网页的抽取结果

栗子1:

例如爬取知乎问答的时候, 想只爬取话题中包含经济学的问答, 可以这样过滤:

    configs.afterExtractField = function(fieldName, data) {

    if (fieldName == "topics") { // fieldName是topics

    if (data.indexOf("经济学") == -1) { // data中不包含"经济学"

    page.skip(); // 跳过当前爬取的网页

    }

    }

    return data;

    }

​栗子2:

例如爬取知乎问答的时候, 想要只爬取赞同数大于10的回答, 可以这样过滤:

    configs = {

    // configs中的其他成员

    ...

    fields: [

    {

    name: "answers",

    selector: "//*[@id=\"zh-question-answer-wrap\"]/div",

    repeated: true,

    children: [

    {

    name: "agree_count",

    selector: "//button[@class=\"up\"]/span[@class=\"count\"]"

    },

    ...

    ]

    }

    ]

    };

    configs.afterExtractField = function(fieldName, data, page) {

    if (fieldName == "answers.agree_count") { // fieldName是answers数组中的agree_count元素名

    if (parseInt(data) < 10) { // 回答的点赞数小于10

    page.skip("answers"); // 跳过这个回答

    }

    }

    return data;

    }

console

console对象提供不同级别的日志打印

console.log(message)

打印日志, 调试时使用

举个栗子:

    console.log("测试log日志");

console.debug(message)

打印出错级别日志, 调试时使用

举个栗子:

    console.debug("正在提取文章标题数据");

console.info(message)

打印普通日志

举个栗子:

    console.info("成功处理一个页面");

console.warn(message)

打印警告情况的日志

举个栗子:

    console.warn("XX文件解析失败");

console.error(message)

打印错误情况的日志

举个栗子:

    console.error("XPath错误");


​configs详解——之回调函数

回调函数是在爬虫爬取并处理网页的过程中设置的一些系统钩子, 通过这些钩子可以完成一些特殊的处理逻辑.

回调函数需要设置到configs参数里面才起作用

下图是神箭手云爬虫爬取并处理网页的流程图，矩形方框中标识了爬虫运行过程中所使用的重要回调函数：


​

beforeCrawl(site)

爬虫初始化时调用, 用来指定一些爬取前的操作

@param site 当前正在爬取的网站的对象

在函数中可以调用site.addHeader(key, value), site.addCookie(key, value)，site.addCookies(cookies)等

举个栗子:

在爬虫开始爬取之前给所有待爬网页添加一个Header

    configs.beforeCrawl = function(site) {

    site.addHeader("Referer", "http://buluo.qq.com/p/index.html");

    }

isAntiSpider(url, content)

判断当前网页是否被反爬虫了, 需要开发者实现

    @param url 当前网页的url

    @param content 当前网页内容

    @return 如果被反爬虫了, 返回true, 否则返回false

举个栗子:

    configs.isAntiSpider = function(url, content) {

    if (content.indexOf("404页面不存在") > -1) { // content中包含"404页面不存在"字符串

    return true; // 返回当前网页被反爬虫了

    }

    return false;

    }

afterDownloadPage(page, site)

在一个网页下载完成之后调用. 主要用来对下载的网页进行处理.

    @param page 当前下载的网页页面的对象，调用page.url可获取当前网页的url，调用page.raw可获取当前网页内容

    @param site 当前正在爬取的网站的对象

    @return 返回处理后的网页

举个栗子:

比如下载了某个网页，希望向网页的body中添加html标签，处理过程如下：

    configs.afterDownloadPage = function(page, site) {

    var pageHtml = "5";

    var index = page.raw.indexOf("");

    page.raw = page.raw.substring(0, index) + pageHtml + page.raw.substring(index);

    return page;

    }

onProcessScanPage(page, content, site)

在爬取到入口url的内容之后, 添加新的url到待爬队列之前调用. 主要用来发现新的待爬url, 并且能给新发现的url附加数据.

    @param page 当前正在爬取的网页页面的对象，调用page.url可获取当前网页的url，调用page.raw可获取当前网页内容，调用page.skip()便不再爬取当前网页

    @param content 当前网页内容

    @param site 当前正在爬取的网站的对象

    @return 返回false表示不需要再从此网页中发现待爬url

此函数中通过调用site.addUrl(url, options)函数来添加新的url到待爬队列。

栗子1:

实现这个回调函数并返回false，表示爬虫在处理这个scanUrl的时候，不会从中提取待爬url

    configs.onProcessScanPage = function(page, content, site) {

    return false;

    }

栗子2:

生成一个新的url添加到待爬队列中，并通知爬虫不再从当前网页中发现待爬url

    configs.onProcessScanPage = function(page, content, site) {

    var jsonObj = JSON.parse(page.raw);

    for (var i = 0, n = jsonObj.data.length; i < n; i++) {

    var item = jsonObj.data[i];

    var lastid = item._id;

    // 生成一个新的url

    var url = page.url + lastid;

    // 将新的url插入待爬队列中

    site.addUrl(url);

    }

    // 通知爬虫不再从当前网页中发现待爬url

    return false;

    }

onProcessHelperPage(page, content, site)

在爬取到列表页url的内容之后, 添加新的url到待爬队列之前调用. 主要用来发现新的待爬url, 并且能给新发现的url附加数据.

    @param page 当前正在爬取的网页页面的对象，调用page.url可获取当前网页的url，调用page.raw可获取当前网页内容，调用page.skip()便不再爬取当前网页

    @param content 当前网页内容

    @param site 当前正在爬取的网站的对象

    @return 返回false表示不需要再从此网页中发现待爬url

此函数中通过调用site.addUrl(url, options)函数来添加新的url到待爬队列

栗子1:

实现这个回调函数并返回false，表示爬虫在处理这个helperUrl的时候，不会从中提取待爬url

    configs.onProcessHelperPage = function(page, content, site) {

    return false;

    }

栗子2:

在onProcessHelperPage回调函数中，生成新的contentUrl并添加到待爬队列中，并通知爬虫不再从当前网页中发现待爬url

    configs.onProcessHelperPage = function(page, content, site) {

    var jsonObj = JSON.parse(content);

    var id = 0;

    for (var i = 0, n = jsonObj.data.length; i < n; i++) {

    var item = jsonObj.data[i];

    id = item._id;

    // 将新的url插入待爬队列中

    site.addUrl("http://service.chanjet.com/api/v1/message/"+id);

    }

    // 通知爬虫不再从当前网页中发现待爬url

    return false;

    }

beforeHandleImg(fieldName, img)

在抽取到field内容之后调用, 对其中包含的img标签进行回调处理

    @param fieldName 当前field的name. 注意: 子field的name会带着父field的name, 通过.连接.

    @param img 整个img标签的内容

    @return 返回处理后的img标签的内容

很多网站对图片作了延迟加载, 这时候就需要在这个函数里面来处理

举个栗子:

汽车之家论坛帖子的图片大部分是延迟加载的，默认会使用http://x.autoimg.cn/club/lazyload.png 图片url，我们需要找到真实的图片url并替换，具体实现如下：

    configs.beforeHandleImg = function(fieldName, img) {

    // 通过正则判断img中的src属性是不是真实图片url，如果是，则直接返回img，如果不是，继续执行

    var regex = /src="(https?:\/\/.*?)"/;

    var rs = regex.exec(img);

    if (!rs) return img;

    var url = rs[1];

    if (url == "http://x.autoimg.cn/club/lazyload.png") {

    var regex2 = /src9="(https?:\/\/.*?)"/;

    rs = regex2.exec(img);

    // 替换成真实图片url

    if (rs) {

    var newUrl = rs[1];

    img = img.replace(url, newUrl);

    }

    }

    return img;

    }

beforeCacheImg(fieldName, url)

由于很多网站都有图片防盗链限制, 所以神箭手会缓存爬到的图片, 在缓存之前, 可以对图片作处理

    @param fieldName 当前field的name. 注意: 子field的name会带着父field的name, 通过.连接.

    @param url 图片的url

    @return 处理后的图片url

举个栗子:

知乎问答页面, 用户的头像链接是这样的: https://pic3.zhimg.com/xxxxxx_s.jpg

研究一下可以发现, 大一点的头像是这样的: https://pic3.zhimg.com/xxxxxx_l.jpg

    configs.beforeCacheImage = function(fieldName, url) {

    if (fieldName == "answers.avatar") {

    return url.replace("_s.jpg", "_l.jpg"); // 对url进行字符串替换，得到较大图片的url

    }

    return url; // 返回图片url

    }

afterExtractField(fieldName, data, page)

当一个field的内容被抽取到后进行的回调, 在此回调中可以对网页中抽取的内容作进一步处理

    @param fieldName 当前field的name. 注意: 子field的name会带着父field的name, 通过.连接.

    @param data 当前field抽取到的数据. 如果该field是repeated, data为数组类型, 否则是String

    @param page 当前正在爬取的网页页面的对象，调用page.url可获取当前网页的url，调用page.skip()便不再爬取当前网页

    @return 返回处理后的数据, 注意数据类型需要跟传进来的data类型匹配

举个栗子:

比如爬取知乎用户的性别信息, 相关网页源码如下:

那么可以这样写:

    configs = {

    // configs的其他成员

    ...

    fields: [

    {

    name: "gender",

    selector: "//span[contains(@class, 'gender')]/i/@class"

    }

    ]

    ...

    };

    configs.afterExtractField = function(fieldName, data, page) {

    if (fieldName == "gender") {

    if (data.indexOf("icon-profile-male") > -1) { // data中包含"icon-profile-male"，说明当前知乎用户是男性

    return "男";

    }

    else if (data.indexOf("icon-profile-female") > -1) { // data中包含"icon-profile-female"，说明当前知乎用户是女性

    return "女";

    }

    else { // data未匹配到上面的两个字符串，无法判断用户性别

    return "未知";

    }

    }

    return data;

    }

afterExtractPage(page, data)

在一个网页的所有field抽取完成之后, 可能需要对field进一步处理, 以发布到自己的网站

    @param page 当前正在爬取的网页页面的对象，调用page.url可获取当前网页的url，调用page.skip()便不再爬取当前网页

    @param data 当前网页抽取出来的所有field的数据, JavaScript对象

    @return 返回处理后的数据, 注意数据类型不能变

举个栗子:

比如从某网页中得到time和title两个field抽取项, 现在希望把time的值添加中括号后拼凑到title中，处理过程如下：

    configs.afterExtractPage = function(page, data) {

    var title = "[" + data.time + "] " + data.title;

    data.title = title;

    return data;

    }

nextScanUrl(url)

在处理完待爬队列中的url后，生成下一个scanUrl并插入到待爬队列中

    @param url 当前的scanUrl

    @return 返回下一个scanUrl或返回null

举个栗子:

某个网站有1500个scanUrl，需先处理前1000个scanUrl，再调用nextScanUrl回调函数来逐个处理后面500个，处理过程如下：

    // 增加1000个"scanUrl"，一个爬虫最多一次性处理1000个"scanUrl"

    for (var i = 1; i <= 1000; i++) {

    scanUrls.push("http://www.dianping.com/search/keyword/" + i + "/0_" + keywords);

    }

    var configs = {

    // "configs"的其他成员

    ...

    scanUrls: scanUrls,

    ...

    };

    configs.nextScanUrl = function(url) {

    var currentPage = url.substring(url.indexOf("keyword/") + 8, url.indexOf("/0_"));

    // 页面数超过1500以后，返回空值

    if (currentPage > 1500) {

    return null;

    }

    else {

    var nextPage = currentPage + 1;

    var nextScanUrl = url.replace("keyword/" + currentPage, "keyword/" + nextPage);

    // 将下一个"scanUrl"插入待爬队列

    return nextScanUrl;

    }

    };

对爬虫感兴趣的童鞋可以加腾讯群讨论：342953471。