网络爬虫与数据库操作
简介
本章将通过一个实例来介绍如何编写一个网络爬虫程序来抓取网页内容,并存储到 MySQL 数据库中,以及定期执行爬虫来更新内容。通过本章内容的学习,读者将掌握以下技能:
- 发起一个 HTTP 请求来获取指定 URL 的内容;
- 使用 jQuery 的查询语法来操作网页元素,提取出需要的数据;
- 将数据储存到数据库中,以及从数据库中查询出这些数据;
- 建立一个简单的 Web 服务器来显示这些数据;
- 使用简单的方法来让一些程序在指定的时间自动执行;
- 让程序更稳定地运行;
- 对一些常见的字符编码互相转换。
学习目标
下面是本实例完成后的程序的截图:
在开始本实例的学习前,你需要具备以下的基础知识:
- 会运行 Node.js 写的程序,能通过 npm 工具来安装相关的依赖模块;
- 对 HTML 有所了解,会使用 jQuery 来操作网页 DOM;
- 使用过 MySQL 数据库。
网络爬虫
网络爬虫是一种自动获取网页内容的程序。在本实例中,我们需要通过一个爬虫程序来抓取 到源网页的内容,并从中提取出需要的数据。在此过程中,会涉及到如何获取到网页的内容 、如何从网页中获取所需要的数据、以及如何将数据储存到数据库中。由于网络 I/O 操作 大都是异步的,因此还会提到如何进行简单异步流程控制。
相关模块介绍
使用 request 模块来获取网页内容
request是一个用来简化 HTTP 请求操作的模块,其功能强大而且使用方法简单,以下 是一个通过 GET 方法来获取某个URL的内容的例子:
var request = require('request');
// 通过 GET 请求来读取 http://cnodejs.org/ 的内容
request('http://cnodejs.org/', function (error, response, body) {
if (!error && response.statusCode == 200) {
// 输出网页内容
console.log(body);
}
});
如果是其他的请求方法,或者需要指定请求头等信息,可以在第一个参数中传入一个对象来 指定,比如:
var request = require('request');
request({
url: 'http://cnodejs.org/', // 请求的URL
method: 'GET', // 请求方法
headers: { // 指定请求头
'Accept-Language': 'zh-CN,zh;q=0.8', // 指定 Accept-Language
'Cookie': '__utma=4454.11221.455353.21.143;' // 指定 Cookie
}
}, function (error, response, body) {
if (!error && response.statusCode == 200) {
console.log(body) // 输出网页内容
}
});
由于本实例中仅用到了 request 模块很少的部分,其具体的使用方法在此不再赘述,感兴 趣的读者可以浏览该模块的主页来获取详细的使用说明:https://npmjs.org/package/request
使用 cheerio 模块来提取网页中的数据
cheerio是一个 jQuery Core 的子集,其实现了 jQuery Core 中浏览器无关的 DOM 操作 API,以下是一个简单的示例:
var cheerio = require('cheerio');
// 通过 load 方法把 HTML 代码转换成一个 jQuery 对象
var $ = cheerio.load('<h2 class="title">Hello world</h2>');
// 可以使用与 jQuery 一样的语法来操作
$('h2.title').text('Hello there!');
$('h2').addClass('welcome');
console.log($.html());
// 将输出 <h2 class="title welcome">Hello there!</h2>
需要注意的是,cheerio 并不支持所有 jQuery 的查询语法,比如$('a:first')
会报错 ,只能写成$('a').first()
,在使用的时候需要注意。
cheerio模块的详细使用方法可以访问该模块的主要来获取:https://npmjs.org/package/cheerio
使用 mysql 模块来将数据储存到数据库
mysql是 Node.js 下比较有名的一个 MySQL 操作模块,在本实例中我们将通过此模块 来将结果保存到数据库中。以下是一个简单的示例:
var mysql = require('mysql');
// 创建数据库连接
var connection = mysql.createConnection({
host: 'localhost',
user: 'me',
password: 'secret',
});
connection.connect();
// 执行查询
connection.query('SELECT 1 + 1 AS solution', function(err, rows) {
if (err) throw err;
console.log('The solution is: ' + rows[0].solution);
// 关闭连接
connection.end();
});
如果执行的是更新语句,比如UPDATE
、DELETE
、INSERT
,我们可以从回调函数的第 二个参数中获取到对应的执行结果,比如:
connection.query('UPDATE `table` SET `a`=1', function (err, info) {
if (err) throw err;
// UPDATE 和 DELETE 可以通过 info.affectedRows 来获取到受影响的行数
console.log('受影响的行数:' + info.affectedRows);
});
connection.query('INSERT INTO `table`(`a`) VALUES (1)', function (err, info) {
if (err) throw err;
// INSERT 可以通过 info.insertId 来获取到当前记录的自增 ID
console.log('ID:' + info.insertId);
});
MySQL 服务器断开连接
当遇到网络问题,或者 MySQL 服务器重启,或者因为超过一段时间没有操作时,MySQL 服务器会主动断开连接,这时候会触发一个error
事件。为了保证程序能正常工作,我 们需要监听这个事件,并重新连接数据库。以下是来自 mysql 模块使用手册中的例子:
var db_config = {
host: 'localhost',
user: 'root',
password: '',
database: 'example'
};
var connection;
function handleDisconnect() {
// 当旧的连接不能再使用时,创建一个新的连接
connection = mysql.createConnection(db_config);
connection.connect(function(err) {
// 当连接成功或失败时,会调用此回调函数
// 如果 err 为非空,则说明连接失败,err 是对应的出错信息
if(err) {
console.log('连接到数据库时出错: ' + err);
// 为了避免死循环,需要等待一段时间后再重试
setTimeout(handleDisconnect, 2000);
}
});
connection.on('error', function(err) {
// 在使用过程中出错,会触发 error 事件
console.log('出错: ' + err);
if(err.code === 'PROTOCOL_CONNECTION_LOST') {
// 如果是 “丢失连接” 错误,则重新连接
handleDisconnect();
} else {
throw err;
}
});
}
handleDisconnect();
字符串值的转义
在使用客户端输入的值来组装 SQL 查询语句时,我们需要对这些值进行正确的转义,以避 免遭受 SQL 注入攻击。我们可以使用escape()
方法来对这些值进行转义:
var userId = ' 这是用户输入的数据';
var sql = 'SELECT * FROM users WHERE id = ' + connection.escape(userId);
connection.query(sql, function(err, results) {
// ...
});
另外,还可以在 SQL 语句中将要转义的值用问号?
来代替,再在调用query()
方法时 传入这些待转义的值:
// 第二个参数是一个数组,分别对应 SQL 语句中各个 ? 部分的值
connection.query('SELECT * FROM users WHERE a = ? AND b = ?', [a, b], function(err, results) {
// ...
});
标识符的转义
与字符串值的转义类似,标识符的转义可以使用escapeId()
方法来实现:
var sorter = 'date';
var query = 'SELECT * FROM posts ORDER BY ' + mysql.escapeId(sorter);
console.log(query); // SELECT * FROM posts ORDER BY `date`
var sorter = 'date';
var query = 'SELECT * FROM posts ORDER BY ' + mysql.escapeId('posts.' + sorter);
console.log(query); // SELECT * FROM posts ORDER BY `posts`.`date`
我们也可以在 SQL 语句中使用两个问号??
来表示要转义的标识符:
var userId = 1;
var columns = ['username', 'email'];
var query = connection.query('SELECT ?? FROM ?? WHERE id = ?', [columns, 'users', userId], function(err, results) {
// ...
});
console.log(query.sql); // SELECT `username`, `email` FROM `users` WHERE id = 1
连接池
在实际应用中,往往需要同时发起多个数据库查询,若仅有一个数据库连接,则只能把这些 查询放到等待队列中,会一定程度上影响程序的运行效率。因此,我们需要一个连接池来管 理多个数据库连接。
mysql模块内置了连接池机制,以下是一个简单的使用示例:
var mysql = require('mysql');
// 创建数据库连接池
var pool = mysql.createPool({
host: 'localhost', // 数据库地址
user: 'root', // 数据库用户
password: '', // 对应的密码
database: 'example', // 数据库名称
connectionLimit: 10 // 最大连接数,默认为10
});
// 在使用 SQL 查询前,需要调用 pool.getConnection() 来取得一个连接
pool.getConnection(function(err, connection) {
if (err) throw err;
// connection 即为当前一个可用的数据库连接
});
mysql模块具体的使用方法将在后面的实例中说明,有兴趣的读者也可以访问该模块的 主页来获取详细使用说明:https://github.com/felixge/node-mysql
使用 async 模块来简化异步流程控制
async是一个使用比较广泛的 JavaScript 异步流程控制模块,除了可以在 Node.js 上运行外,其还可以在浏览器端运行。async模块提供了约 20 多个实用的函数来 帮助我们理清在使用 Node.js 过程中各种复杂回调。以下简单介绍其中一些常用的函数:
串行地执行一组函数
可以使用async.series()
来依次执行一组函数,其第一个参数是一个函数数组,每个函 数接受一个参数作为其回调函数,在该函数执行完成时调用回调函数即可。async.series()
的第二个参数作为整一组函数执行完成后的回调函数。以下是其简单的 使用示例:
var async = require('async');
async.series([
function (done) {
console.log(1);
done();
},
function (done) {
console.log(2);
done();
},
function (done) {
console.log(3);
done();
}
], function (err) {
if (err) throw err;
console.log('完成');
});
执行以上的程序,将会输出以下结果:
1
2
3
完成
如果在执行某一个函数的过程中出错了,可以在执行回调函数done()
的时候,将出错信 息作为回调函数的第一个参数并执行,程序将会跳过函数数组中剩余的部分而直接执行最终 的回调函数,比如:
var async = require('async');
async.series([
function (done) {
console.log(1);
done();
},
function (done) {
console.log(2);
done(new Error('error'));
},
function (done) {
console.log(3);
done();
}
], function (err) {
if (err) throw err;
console.log('完成');
});
执行以上的程序,可以看到在输出1
和2
之后,程序即抛出了一个异常信息并终止 了。
如果要并行的执行一组函数,我们只需要使用async.parallel()
即可,其使用方法与async.series()
一样。
遍历数组,将数组中的每个元素作为参数执行异步任务
如果要遍历一个数组,可能我们会这样写:
var arr = [1, 2, 3, 4, 5];
arr.forEach(function (item) {
console.log(item);
});
假如forEach()
的回调函数内部要执行的是一些异步操作,而我们又需要等待遍历操作 完成后再执行其他的操作,可以使用async.each()
了实现:
var async = require('async');
var arr = [1, 2, 3, 4, 5];
async.each(arr, function (item, done) {
// 通过 setTimeout 来模拟一个异步任务
setTimeout(function () {
console.log(item);
done();
}, Math.random() * 1000);
}, function (err) {
if (err) throw err;
console.log('完成');
});
运行以上程序,可能会输出以下结果:
4
2
3
5
1
完成
其中数字部分的数序是随机的,再输出完这些 1 至 5 这几个数字后,最后输出“完成”。 这是因为这些异步任务都是并行执行的,待所有任务都调用done()
来返回后,才 执行最终的回调函数。如果要让这些异步任务串行执行,可以使用async.eachSeries()
来实现。
对应于数组的map
、filter
、reduce
等方法,async模块也提供了相应工具 函数。关于 async 模块的详细使用方法可以访问该模块的主页来获取:https://npmjs.org/package/async
另外,读者可以阅读本章末尾的“参考文献”部分的《Async详解》系列文章,其对 async 模块进行了非常详细的讲解。
使用 debug 模块来显示调试信息
在编写程序的时候,有时候我们需要输出一些调试信息,以便排查问题。当程序在生产 环境中运行的时候,我们又不需要输出这些调试信息。为了方便切换而不需要改动原来的程 序,我们可以使用 debug 模块,在启动程序的时候按照说明来设置一下debug环境变 量即可。以下是其简单的使用方法:
var debug = require('debug')('myapp:main');
debug('现在的时间是 %s', new Date());
如果我们需要在程序运行的时候输出调试信息,只需要设置环境变量debug=myapp:*
即 可。读者可以访问该模块的主页来获取详细的使用说明:https://npmjs.org/package/debug
创建网络爬虫前的准备工作
在开始写程序前,我们需要做一些初始化工作,比如建立一个 package.json 文件,指定 模块依赖关系,这样可以方便以后部署应用。
- 首先,新建一个文件夹,比如
blog
,本实例中的所有程序程序将放在此目录内(下文 所指的“应用根目录”即表示在此目录下的一级目录,不再说明); - 在应用根目录下建立一个文件
package.json
,其内容如下:
{
"name": "sina-blog-proxy",
"main": "app.js",
"version": "0.0.1",
"private": true,
"description": "网络爬虫与数据库操作",
"engines": {
"node": ">= 0.10.0"
},
"dependencies": {
"debug": "0.7.2",
"cheerio": "0.12.3",
"request": "2.27.0",
"async": "0.2.9",
"mysql": "2.x"
}
}
- 在应用根目录下新建目录
update
,本实例中的爬虫程序将保存在此目录下; - 在应用根目录下执行命令
npm install
来安装所有的依赖模块。
在完成以上的初始化工作之后,我们就可以开始编写爬虫程序了。本实例将以这个新浪博客 页面为例:http://blog.sina.com.cn/u/1776757314
获取文章分类列表
首先,我们需要读取文章的分类列表,然后再逐个把这些分类下的文章抓取下来。这个博客 的文章分类在左侧边栏:
相关部分的 HTML 代码如下:
<div class="classList">
<ul>
<li class="SG_dot"><a target="_blank" href="http://blog.sina.com.cn/s/articlelist_1776757314_0_1.html">全部博文</a>
<em class="count SG_txtb">(131)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_1_1.html" target="_blank">祖国大陆~</a>
<em>(30)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_4_1.html" target="_blank">纵贯台湾岛~</a>
<em>(37)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_5_1.html" target="_blank">港澳行记~</a>
<em>(13)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_6_1.html" target="_blank">缤纷东南亚~</a>
<em>(19)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_7_1.html" target="_blank">澳大利亚~</a>
<em>(0)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_8_1.html" target="_blank">日本~</a>
<em>(0)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_9_1.html" target="_blank">美国~</a>
<em>(0)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_2_1.html" target="_blank">MY烘焙生活~</a>
<em>(11)</em>
</li>
<li class="SG_dot"><a href="http://blog.sina.com.cn/s/articlelist_1776757314_3_1.html" target="_blank">小日子~</a>
<em>(21)</em>
</li>
</ul>
</div>
我们需要从这段 HTML 中获取到分类的名称、URL 和 ID,如果熟悉 jQuery 的使用方法的 话,我们很容易想到,通过$('.classList li a')
来获取到所有分类的 a 标签,然后 再从中提取出名称和URL,分类的 ID 存在 URL 中,需要用正则匹配来取得。
新建文件class_list.js
,保存到应用根目录下的 update 目录里面,程序如下:
var request = require('request');
var cheerio = require('cheerio');
var debug = require('debug')('blog:update');
debug('读取博文类别列表');
// 读取博客首页
request('http://blog.sina.com.cn/u/1776757314', function (err, res) {
if (err) return console.error(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 读取博文类别列表
var classList = [];
$('.classList li a').each(function () {
var $me = $(this);
var item = {
name: $me.text().trim(),
url: $me.attr('href')
};
// 从URL中取出分类的ID
var s = item.url.match(/articlelist_\d+_(\d+)_\d\.html/);
if (Array.isArray(s)) {
item.id = s[1];
classList.push(item);
}
});
// 输出结果
console.log(classList);
});
在应用根目录下执行node update/class_list.js
,稍等几秒后,命令行窗口将打印 出以下的结果:
[ { name: '全部博文',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_0_1.html',
id: '0' },
{ name: '祖国大陆~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_1_1.html',
id: '1' },
{ name: '纵贯台湾岛~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_4_1.html',
id: '4' },
{ name: '港澳行记~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_5_1.html',
id: '5' },
{ name: '缤纷东南亚~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_6_1.html',
id: '6' },
{ name: '澳大利亚~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_7_1.html',
id: '7' },
{ name: '日本~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_8_1.html',
id: '8' },
{ name: '美国~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_9_1.html',
id: '9' },
{ name: 'MY烘焙生活~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_2_1.html',
id: '2' },
{ name: '小日子~',
url: 'http://blog.sina.com.cn/s/articlelist_1776757314_3_1.html',
id: '3' } ]
获取分类下的文章列表
下面以“全部博文”这个分类下的文章为例,读取相关的文章列表。首先我们在浏览器中打开 文章列表页面:http://blog.sina.com.cn/s/articlelist_1776757314_0_1.html
相关部分的 HTML 代码如下:
<div class="articleList">
<!-- 列表 START -->
<div class="articleCell SG_j_linedot1">
<p class="atc_main SG_dot">
<span class="atc_ic_f">
<a href="http://www.sina.com.cn/" target="_blank">
<img class="SG_icon SG_icon107" src="http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif" width="18" height="18" title="已推荐到新浪首页,点击查看更多精彩内容" align="absmiddle">
</a>
</span>
<span class="atc_title">
<a title="同里古镇:你的烟雨江南,我的慢生活" target="_blank" href="http://blog.sina.com.cn/s/blog_69e72a420101gvec.html">同里古镇:你的烟雨江南,我的慢生…</a>
</span>
<span class="atc_ic_b">
<img class="SG_icon SG_icon18" src="http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif" width="15" height="15" title="此博文包含图片" align="absmiddle">
</span>
</p>
<p class="atc_info">
<span class="atc_data" id="count_69e72a420101gvec">(
<span title="评论数">68</span>/
<span title="阅读数">2085</span>)</span>
<span class="atc_tm SG_txtc">2013-11-12 09:24</span>
<span class="atc_set">
</span>
</p>
</div>
(由于篇幅过长,此处省略若干个 <div class="articleCell SG_j_linedot1"></div> 代码块...)
<!-- 列表END -->
</div>
与获取分类列表的例子类似,我们只需要通过$('.articleList .articleCell')
来获取 到文章相对应的 div 标签,并从中提取出标题、URL、发表时间和文章的 ID 即可。
新建文件article_list.js
,保存到应用根目录下的 update 目录里面,程序如下:
var request = require('request');
var cheerio = require('cheerio');
var debug = require('debug')('blog:update');
debug('读取博文列表');
// 读取分类页面
request('http://blog.sina.com.cn/s/articlelist_1776757314_0_1.html', function (err, res) {
if (err) return console.error(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 读取博文列表
var articleList = [];
$('.articleList .articleCell').each(function () {
var $me = $(this);
var $title = $me.find('.atc_title a');
var $time = $me.find('.atc_tm');
var item = {
title: $title.text().trim(),
url: $title.attr('href'),
time: $time.text().trim()
};
// 从URL中取出文章的ID
var s = item.url.match(/blog_([a-zA-Z0-9]+)\.html/);
if (Array.isArray(s)) {
item.id = s[1];
articleList.push(item);
}
});
// 输出结果
console.log(articleList);
});
在应用根目录下执行node update/article_list.js
,稍等几秒后,命令行窗口将打印 出以下的结果:
[ { title: '同里古镇:你的烟雨江南,我的慢生…',
url: 'http://blog.sina.com.cn/s/blog_69e72a420101gvec.html',
time: '2013-11-12 09:24',
id: '69e72a420101gvec' },
{ title: '苏州吴江:吴越美食之旅',
url: 'http://blog.sina.com.cn/s/blog_69e72a420101guyi.html',
time: '2013-11-08 09:16',
id: '69e72a420101guyi' },
(由于篇幅过长,此处省略若干行...)
{ title: '昂坪360:全景大屿山',
url: 'http://blog.sina.com.cn/s/blog_69e72a4201015fqf.html',
time: '2012-06-14 12:30',
id: '69e72a4201015fqf' } ]
上面的代码只能获取到一页的文章列表。如果该分类下有多页的话,我们需要在程序中检查 是否有下一页的链接,如果有的话,自动读取下一页的文章列表,最后将结果一并返 回:
修改后的程序如下:
var request = require('request');
var cheerio = require('cheerio');
var debug = require('debug')('blog:update');
debug('读取博文列表');
function readArticleList (url, callback) {
// 读取分类页面
request(url, function (err, res) {
if (err) return callback(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 读取博文列表
var articleList = [];
$('.articleList .articleCell').each(function () {
var $me = $(this);
var $title = $me.find('.atc_title a');
var $time = $me.find('.atc_tm');
var item = {
title: $title.text().trim(),
url: $title.attr('href'),
time: $time.text().trim()
};
// 从URL中取出文章的ID
var s = item.url.match(/blog_([a-zA-Z0-9]+)\.html/);
if (Array.isArray(s)) {
item.id = s[1];
articleList.push(item);
}
});
// 检查是否有下一页
var nextUrl = $('.SG_pgnext a').attr('href');
if (nextUrl) {
// 读取下一页
readArticleList(nextUrl, function (err, articleList2) {
if (err) return callback(err);
// 合并结果
callback(null, articleList.concat(articleList2));
});
} else {
// 返回结果
callback(null, articleList);
}
});
}
readArticleList('http://blog.sina.com.cn/s/articlelist_1776757314_0_1.html', function (err, articleList) {
if (err) console.error(err.stack);
console.log(articleList);
});
获取文章的内容
打开其中一个文章的页面,比如http://blog.sina.com.cn/s/blog_69e72a420101gvec.html,其截图如下:
在这个页面中,我们需要取得文章的标签列表和文章的内容。
标签相关部分的 HTML 代码如下:
<td class="blog_tag">
<script>
var $tag = '苏州吴江,同里古镇,游记,攻略,穿心弄';
var $tag_code = '741057cb358132add2a3e82ea8dd61b5';
var $r_quote_bligid = '69e72a420101gvec';
var $worldcup = '0';
var $worldcupball = '0';
</script>
<span class="SG_txtb">标签:</span>
<h3><a href="http://search.sina.com.cn/?c=blog&q=%CB%D5%D6%DD%CE%E2%BD%AD&by=tag" target="_blank">苏州吴江</a>
</h3>
<h3><a href="http://search.sina.com.cn/?c=blog&q=%CD%AC%C0%EF%B9%C5%D5%F2&by=tag" target="_blank">同里古镇</a>
</h3>
<h3><a href="http://search.sina.com.cn/?c=blog&q=%D3%CE%BC%C7&by=tag" target="_blank">游记</a>
</h3>
<h3><a href="http://search.sina.com.cn/?c=blog&q=%B9%A5%C2%D4&by=tag" target="_blank">攻略</a>
</h3>
<h3><a href="http://search.sina.com.cn/?c=blog&q=%B4%A9%D0%C4%C5%AA&by=tag" target="_blank">穿心弄</a>
</h3>
</td>
我们只需要通过$('.blog_tag h3 a')
来取得文章标签所在的 a 标签,并取其文本内容即可。
文章内容相关的 HTML 代码如下:
<div id="sina_keyword_ad_area2" class="articalContent">
<p>
<a href="http://photo.blog.sina.com.cn/showpic.html#blogid=69e72a420101gvec&url=http://album.sina.com.cn/pic/001Wf5K2gy6E8xjFxxl5f" target="_blank">
<img name="image_operate_53741384158351109" src="http://s16.sinaimg.cn/mw690/001Wf5K2gy6E8xjFxxl5f&690" real_src="http://s16.sinaimg.cn/mw690/001Wf5K2gy6E8xjFxxl5f&690" width="454" height="680" alt="同里古镇:你的烟雨江南,我的慢生活" title="同里古镇:你的烟雨江南,我的慢生活" action-data="http%3A%2F%2Fs16.sinaimg.cn%2Fmw690%2F001Wf5K2gy6E8xjFxxl5f%26690" action-type="show-slide">
</a>
<br>
<font style="FonT-siZe: 16px">总有一段时光,浪费在江南。</font>
</p>
(由于篇幅过长,此处省略若干行...)
</div>
文章内容也只需要通过$('.articalContent').html()
即可取得。
新建文件article_detail.js
,保存到应用根目录下的 update 目录里面,程序如下:
var request = require('request');
var cheerio = require('cheerio');
var debug = require('debug')('blog:update');
debug('读取博文内容');
// 读取博文页面
request('http://blog.sina.com.cn/s/blog_69e72a420101gvec.html', function (err, res) {
if (err) return callback(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 获取文章标签
var tags = [];
$('.blog_tag h3 a').each(function () {
var tag = $(this).text().trim();
if (tag) {
tags.push(tag);
}
});
// 获取文章内容
var content = $('.articalContent').html().trim();
// 输出结果
console.log({tags: tags, content: content});
});
在应用根目录下执行node update/article_detail.js
,稍等几秒后,命令行窗口将打 印出以下的结果:
{ tags: [ '苏州吴江', '同里古镇', '游记', '攻略', '穿心弄' ],
content: '<p>(由于HTML过长。此处省略...)</p>' }
获取文章分类下的所有文章
前面的例子中我们已经知道了如何读取一个分类下的所有文章列表,以及获取指定文章的 详细内容。要想获取到文章分类下的所有文章的内容,我们需要借助async模块来 简化异步流程控制。
注:以下源码中采用了jsdoc的代码注释风格,关于该注释风格的详细说明请访问 以下网址来获取:https://code.google.com/p/jsdoc-toolkit/wiki/TagReference
新建文件article_all.js
,保存到应用根目录下的 update 目录里面,程序如下:
var request = require('request');
var cheerio = require('cheerio');
var async = require('async');
var debug = require('debug')('blog:update');
/**
* 获取分类页面博文列表
*
* @param {String} url
* @param {Function} callback
*/
function readArticleList (url, callback) {
debug('读取博文列表:%s', url);
request(url, function (err, res) {
if (err) return callback(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 读取博文列表
var articleList = [];
$('.articleList .articleCell').each(function () {
var $me = $(this);
var $title = $me.find('.atc_title a');
var $time = $me.find('.atc_tm');
var item = {
title: $title.text().trim(),
url: $title.attr('href'),
time: $time.text().trim()
};
// 从URL中取出文章的ID
var s = item.url.match(/blog_([a-zA-Z0-9]+)\.html/);
if (Array.isArray(s)) {
item.id = s[1];
articleList.push(item);
}
});
// 返回结果
callback(null, articleList);
});
}
/**
* 获取博文页面内容
*
* @param {String} url
* @param {Function} callback
*/
function readArticleDetail (url, callback) {
debug('读取博文内容:%s', url);
request(url, function (err, res) {
if (err) return callback(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 获取文章标签
var tags = [];
$('.blog_tag h3 a').each(function () {
var tag = $(this).text().trim();
if (tag) {
tags.push(tag);
}
});
// 获取文章内容
var content = $('.articalContent').html().trim();
// 返回结果
callback(null, {tags: tags, content: content});
});
}
// 读取分类下的所有文章
readArticleList('http://blog.sina.com.cn/s/articlelist_1776757314_0_1.html', function (err, articleList) {
if (err) return console.error(err.stack);
// 依次取出 articleList 数组的每个元素,调用第二个参数中传入的函数
// 函数的第一个参数即是 articleList 数组的其中一个元素
// 函数的第二个参数是回调函数
async.eachSeries(articleList, function (article, next) {
// 读取文章内容
readArticleDetail(article.url, function (err, detail) {
if (err) console.error(err.stack);
// 直接显示
console.log(detail);
// 需要调用 next() 来返回
next();
});
}, function (err) {
// 当遍历完 articleList 后,执行此回调函数
if (err) return console.error(err.stack);
console.log('完成');
});
});
在应用根目录下执行node update/article_all.js
,命令行窗口将依次打印出该文章分 类下的所有文章内容,直到打印出“完成”程序自动退出。
将结果保存到数据库中
上面的例子中,我们已经掌握了从网页内容中提取出文章列表等信息,下面需要把这些信息 保存到数据库中。
首先在数据库(假设本实例的数据库为 sina_blog)中分别建立四个表,其结构如下:
表class_list
字段 | 类型 | 说明
- | id | int(11) | 文章分类的ID,主键 url | varchar(255) | 文章分类页面的URL name | varchar(50) | 文章分类名称 count | int(11) | 文章数量
表article_list
字段 | 类型 | 说明
- | id | varchar(20) | 文章的ID,与 class_id 为联合主键 title | varchar(255) | 文章标题 url | varchar(255) | 文章页面的URL class_id | int(11) | 文章所属的分类ID,与 id 为联合主键 created_time | int(11) | 文章发布时间
表article_tag
字段 | 类型 | 说明
- | id | varchar(20) | 文章的ID,与 tag 为联合主键 tag | varchar(20) | 标签名称,与 id 为联合主键
表article_detail
字段 | 类型 | 说明
- | id | varchar(20) | 文章的ID tags | varchar(255) | 文章标签 content | text | 文章内容
我们先测试一下能否正常连接到数据库。 新建文件test_db.js
,保存到应用根目录下的 update 目录里面,程序如下: (需要将程序中相应部分改成实际的内容)
var request = require('request');
var cheerio = require('cheerio');
var mysql = require('mysql');
var debug = require('debug')('blog:update');
// 创建数据库连接
var db = mysql.createConnection({
host: '127.0.0.1', // 数据库IP
port: 3306, // 数据库端口
database: 'sina_blog', // 数据库名称
user: 'root', // 数据库用户名
password: '', // 数据库密码
});
// 显示所有数据表
db.query('show tables', function (err, tables) {
if (err) {
console.error(err.stack);
} else {
console.log(tables);
}
// 关闭连接
db.end();
});
在应用根目录下执行node update/test_db.js
,稍等几秒后,命令行窗口将打印 出以下的结果:
[ { Tables_in_sina_blog: 'article_detail' },
{ Tables_in_sina_blog: 'article_list' },
{ Tables_in_sina_blog: 'article_tag' },
{ Tables_in_sina_blog: 'class_list' } ]
这说明数据库相关的初始化工作已经做好了。
保存文章分类
在保存文章分类的时候,如果分类已存在,则更新一下,否则直接插入到数据库中。 保存文章分类的操作可以写到一个函数里面:
/**
* 保存文章分类
*
* @param {Object} data
* @param {Function} callback
*/
function saveClassItem (data, callback) {
// 查询分类是否已存在
db.query('SELECT * FROM `class_list` WHERE `id`=? LIMIT 1', [data.id], function (err) {
if (err) return next(err);
if (Array.isArray(data) && data.length >= 1) {
// 分类已存在,更新一下
db.query('UPDATE `class_list` SET `name`=?, `url`=? WHERE `id`=?', [data.name, data.url, data.id], callback);
} else {
// 分类不存在,添加
db.query('INSERT INTO `class_list`(`id`, `name`, `url`) VALUES (?, ?, ?)', [data.id, data.name, data.url], callback);
}
});
}
保存文章内容,文章标签跟上面的例子类似。现在我们把以上的例子都结合起来,实现抓取 到文章分类之后,立刻将其保存到数据库中,再抓取所有的文章内容,并保存到数据库中。
一个完整的爬虫实例
新建配置文件config.js
,保存到应用根目录下,程序如下:
// MySQL数据库连接配置
var mysql = require('mysql');
exports.db = mysql.createConnection({
host: '127.0.0.1', // 数据库地址
port: 3306, // 数据库端口
database: 'sina_blog', // 数据库名称
user: 'root', // 数据库用户
password: '' // 数据库用户对应的密码
});
// 博客配置
exports.sinaBlog = {
url: 'http://blog.sina.com.cn/u/1776757314' // 博客首页地址
};
新建文件read.js
,保存到应用根目录下的 update 目录里面,程序如下:
var originRequest = require('request');
var cheerio = require('cheerio');
var debug = require('debug')('blog:update:read');
/**
* 请求指定URL
*
* @param {String} url
* @param {Function} callback
*/
function request (url, callback) {
originRequest(url, callback);
}
/**
* 获取文章分类列表
*
* @param {String} url
* @param {Function} callback
*/
exports.classList = function (url, callback) {
debug('读取文章分类列表:%s', url);
request(url, function (err, res) {
if (err) return callback(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 读取博文类别列表
var classList = [];
$('.classList li a').each(function () {
var $me = $(this);
var item = {
name: $me.text().trim(),
url: $me.attr('href')
};
// 从URL中取出分类的ID
var s = item.url.match(/articlelist_\d+_(\d+)_\d\.html/);
if (Array.isArray(s)) {
item.id = s[1];
classList.push(item);
}
});
// 返回结果
callback(null, classList);
});
};
/**
* 获取分类页面博文列表
*
* @param {String} url
* @param {Function} callback
*/
exports.articleList = function (url, callback) {
debug('读取博文列表:%s', url);
request(url, function (err, res) {
if (err) return callback(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 读取博文列表
var articleList = [];
$('.articleList .articleCell').each(function () {
var $me = $(this);
var $title = $me.find('.atc_title a');
var $time = $me.find('.atc_tm');
var item = {
title: $title.text().trim(),
url: $title.attr('href'),
time: $time.text().trim()
};
// 从URL中取出文章的ID
var s = item.url.match(/blog_([a-zA-Z0-9]+)\.html/);
if (Array.isArray(s)) {
item.id = s[1];
articleList.push(item);
}
});
// 检查是否有下一页
var nextUrl = $('.SG_pgnext a').attr('href');
if (nextUrl) {
// 读取下一页
exports.articleList(nextUrl, function (err, articleList2) {
if (err) return callback(err);
// 合并结果
callback(null, articleList.concat(articleList2));
});
} else {
// 返回结果
callback(null, articleList);
}
});
};
/**
* 获取博文页面内容
*
* @param {String} url
* @param {Function} callback
*/
exports.articleDetail = function (url, callback) {
debug('读取博文内容:%s', url);
request(url, function (err, res) {
if (err) return callback(err);
// 根据网页内容创建DOM操作对象
var $ = cheerio.load(res.body.toString());
// 获取文章标签
var tags = [];
$('.blog_tag h3 a').each(function () {
var tag = $(this).text().trim();
if (tag) {
tags.push(tag);
}
});
// 获取文章内容
var content = $('.articalContent').html().trim();
// 返回结果
callback(null, {tags: tags, content: content});
});
};
新建文件save.js
,保存到应用根目录下的 update 目录里面,程序如下:
var async = require('async');
var db = require('../config').db;
var debug = require('debug')('blog:update:save');
/**
* 保存文章分类
*
* @param {Object} list
* @param {Function} callback
*/
exports.classList = function (list, callback) {
debug('保存文章分类列表到数据库中: %d', list.length);
async.eachSeries(list, function (item, next) {
// 查询分类是否已存在
db.query('SELECT * FROM `class_list` WHERE `id`=? LIMIT 1', [item.id], function (err, data) {
if (err) return next(err);
if (Array.isArray(data) && data.length >= 1) {
// 分类已存在,更新一下
db.query('UPDATE `class_list` SET `name`=?, `url`=? WHERE `id`=?', [item.name, item.url, item.id], next);
} else {
// 分类不存在,添加
db.query('INSERT INTO `class_list`(`id`, `name`, `url`) VALUES (?, ?, ?)', [item.id, item.name, item.url], next);
}
});
}, callback);
};
/**
* 保存文章列表
*
* @param {Number} class_id
* @param {Array} list
* @param {Function} callback
*/
exports.articleList = function (class_id, list, callback) {
debug('保存文章列表到数据库中: %d, %d', class_id, list.length);
async.eachSeries(list, function (item, next) {
// 查询文章是否已存在
db.query('SELECT * FROM `article_list` WHERE `id`=? AND `class_id`=? LIMIT 1',
[item.id, class_id], function (err, data) {
if (err) return next(err);
// 将发布时间转成时间戳(秒)
var created_time = new Date(item.time).getTime() / 1000;
if (Array.isArray(data) && data.length >= 1) {
// 分类已存在,更新一下
db.query('UPDATE `article_list` SET `title`=?, `url`=?, `class_id`=?, `created_time`=? WHERE `id`=? AND `class_id`=?',
[item.title, item.url, class_id, created_time, item.id, class_id], next);
} else {
// 分类不存在,添加
db.query('INSERT INTO `article_list`(`id`, `title`, `url`, `class_id`, `created_time`) VALUES (?, ?, ?, ?, ?)',
[item.id, item.title, item.url, class_id, created_time], next);
}
});
}, callback);
};
/**
* 保存文章分类的文章数量
*
* @param {Number} class_id
* @param {Number} count
* @param {Function} callback
*/
exports.articleCount = function (class_id, count, callback) {
debug('保存文章分类的文章数量:%d, %d', class_id, count);
db.query('UPDATE `class_list` SET `count`=? WHERE `id`=?', [count, class_id], callback);
};
/**
* 保存文章标签
*
* @param {String} id
* @param {Array} tags
* @param {Function} callback
*/
exports.articleTags = function (id, tags, callback) {
debug('保存文章标签: %s, %s', id, tags);
// 删除旧的标签信息
db.query('DELETE FROM `article_tag` WHERE `id`=?', [id], function (err) {
if (err) return callback(err);
if (tags.length > 0) {
// 添加新标签信息
// 生成SQL代码
var values = tags.map(function (tag) {
return '(' + db.escape(id) + ', ' + db.escape(tag) + ')';
}).join(', ');
db.query('INSERT INTO `article_tag`(`id`, `tag`) VALUES ' + values, callback);
} else {
// 如果没有标签,直接返回
callback(null);
}
});
};
/**
* 保存文章内容
*
* @param {String} id
* @param {Array} tags
* @param {String} content
* @param {Function} callback
*/
exports.articleDetail = function (id, tags, content, callback) {
debug('保存文章内容: %s', id);
// 检查文章是否存在
db.query('SELECT `id` FROM `article_detail` WHERE `id`=?', [id], function (err, data) {
if (err) return callback(err);
tags = tags.join(' ');
if (Array.isArray(data) && data.length >= 1) {
// 更新文章
db.query('UPDATE `article_detail` SET `tags`=?, `content`=? WHERE `id`=?', [tags, content, id], callback);
} else {
// 添加文章
db.query('INSERT INTO `article_detail`(`id`, `tags`, `content`) VALUES (?, ?, ?)', [id, tags, content], callback);
}
});
};
/**
* 检查文章是否存在
*
* @param {String} id
* @param {Function} callback
*/
exports.isAericleExists = function (id, callback) {
db.query('SELECT `id` FROM `article_detail` WHERE `id`=?', [id], function (err, data) {
if (err) return callback(err);
callback(null, Array.isArray(data) && data.length >= 1);
});
};
新建文件all.js
,保存到应用根目录下的 update 目录里面,程序如下:
var async = require('async');
var config = require('../config');
var read = require('./read');
var save = require('./save');
var debug = require('debug')('blog:update:all');
var classList;
var articleList = {};
async.series([
// 获取文章分类列表
function (done) {
read.classList(config.sinaBlog.url, function (err, list) {
classList = list;
done(err);
});
},
// 保存文章分类
function (done) {
save.classList(classList, done)
},
// 依次获取所有文章分类下的文章列表
function (done) {
async.eachSeries(classList, function (c, next) {
read.articleList(c.url, function (err, list) {
articleList[c.id] = list;
next(err);
});
}, done);
},
// 保存文章列表
function (done) {
async.eachSeries(Object.keys(articleList), function (classId, next) {
save.articleList(classId, articleList[classId], next);
}, done);
},
// 保存文章数量
function (done) {
async.eachSeries(Object.keys(articleList), function (classId, next) {
save.articleCount(classId, articleList[classId].length, next);
}, done);
},
// 重新整理文章列表,把重复的文章去掉
function (done) {
debug('整理文章列表,把重复的文章去掉');
var articles = {};
Object.keys(articleList).forEach(function (classId) {
articleList[classId].forEach(function (item) {
articles[item.id] = item;
});
});
articleList = [];
Object.keys(articles).forEach(function (id) {
articleList.push(articles[id]);
});
done();
},
// 依次读取文章的详细内容,并保存
function (done) {
async.eachSeries(articleList, function (item, next) {
save.isAericleExists(item.id, function (err, exists) {
if (err) return next(err);
if (exists) {
debug('文章已存在:%s', item.url);
return next();
}
read.articleDetail(item.url, function (err, ret) {
if (err) return next(err);
save.articleDetail(item.id, ret.tags, ret.content, function (err) {
if (err) return next(err);
save.articleTags(item.id, ret.tags, next);
});
});
});
}, done);
}
], function (err) {
if (err) console.error(err.stack);
console.log('完成');
process.exit(0);
});
设置环境变量debug=blog:*
,并在应用根目录下执行node update/all.js
,命令行 窗口将依次打印出以下信息,直到全部更新完成,程序自动退出:
blog:update:read 读取文章分类列表:http://blog.sina.com.cn/u/1776757314 +0ms
blog:update:save 保存文章分类列表到数据库中: 10 +0ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_0_1.html +5s
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_0_2.html +1s
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_0_3.html +1s
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_1_1.html +560ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_4_1.html +991ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_5_1.html +681ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_6_1.html +531ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_7_1.html +844ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_8_1.html +486ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_9_1.html +427ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_2_1.html +408ms
blog:update:read 读取博文列表:http://blog.sina.com.cn/s/articlelist_1776757314_3_1.html +535ms
blog:update:save 保存文章列表到数据库中: 0, 134 +9s
blog:update:save 保存文章列表到数据库中: 1, 31 +709ms
blog:update:save 保存文章列表到数据库中: 2, 11 +141ms
blog:update:save 保存文章列表到数据库中: 3, 22 +86ms
blog:update:save 保存文章列表到数据库中: 4, 37 +128ms
blog:update:save 保存文章列表到数据库中: 5, 13 +148ms
blog:update:save 保存文章列表到数据库中: 6, 19 +54ms
blog:update:save 保存文章列表到数据库中: 7, 1 +111ms
blog:update:save 保存文章列表到数据库中: 8, 0 +16ms
blog:update:save 保存文章列表到数据库中: 9, 0 +9ms
blog:update:save 保存文章分类的文章数量:0, 134 +4ms
blog:update:save 保存文章分类的文章数量:1, 31 +5ms
blog:update:save 保存文章分类的文章数量:2, 11 +6ms
blog:update:save 保存文章分类的文章数量:3, 22 +5ms
blog:update:save 保存文章分类的文章数量:4, 37 +6ms
blog:update:save 保存文章分类的文章数量:5, 13 +5ms
blog:update:save 保存文章分类的文章数量:6, 19 +6ms
blog:update:save 保存文章分类的文章数量:7, 1 +6ms
blog:update:save 保存文章分类的文章数量:8, 0 +4ms
blog:update:save 保存文章分类的文章数量:9, 0 +15ms
blog:update:all 整理文章列表,把重复的文章去掉 +0ms
blog:update:read 读取博文内容:http://blog.sina.com.cn/s/blog_69e72a420101gxjh.html +2s
blog:update:save 保存文章内容: 69e72a420101gxjh +678ms
blog:update:save 保存文章标签: 69e72a420101gxjh, 澳洲自由行,亲子,大堡礁,墨尔本,游记攻略 +28ms
blog:update:read 读取博文内容:http://blog.sina.com.cn/s/blog_69e72a420101flbm.html +680ms
blog:update:save 保存文章内容: 69e72a420101flbm +767ms
blog:update:save 保存文章标签: 69e72a420101flbm, 柳絮同学,洗脸实验,洗面奶,推荐,休闲 +33ms
blog:update:read 读取博文内容:http://blog.sina.com.cn/s/blog_69e72a420101gvec.html +814ms
blog:update:save 保存文章内容: 69e72a420101gvec +736ms
blog:update:save 保存文章标签: 69e72a420101gvec, 苏州吴江,同里古镇,游记,攻略,穿心弄 +32ms
blog:update:read 读取博文内容:http://blog.sina.com.cn/s/blog_69e72a420101guyi.html +751ms
blog:update:save 保存文章内容: 69e72a420101guyi +1s
(由于篇幅过长,此处省略若干行...)
显示数据库中的数据
上面爬虫的例子中,我们已经取得了整个博客的基本数据,现在只要从数据库中查询出这些 数据,通过自己搭建的 web 服务器就可以随心所欲地显示出来了。由于上一节中已经介绍 了如何从 MySQL 数据库中查询数据,本节将重点讲解如何通过 express 模块来创建一个 web 服务器,以及通过 ejs 模板来渲染这些数据。
相关模块介绍
使用 express 模块来创建一个 web 服务器
express是一个简洁而灵活的 Node.js Web 应用框架,提供一系列强大特性帮助你 创建各种基于 Web 应用。
以下是一个 express 模块的使用示例:
var express = require('express');
var app = express();
app.get('/', function(req, res){
res.send('hello world');
});
app.listen(3000);
运行以上程序后,在浏览器中打开http://127.0.0.1:3000即可看到页面中输出了 “hello world”。
关于express模块的详细使用方法,可访问http://expressjs.com/, 或者其中文版镜像:http://express.jsbin.cn/
使用 ejs 模块来显示页面内容
ejs是 Node.js 下使用最广泛的模板引擎之一,其语法简单灵活,通过 express 命令 行工具创建的项目,一般都会选用 ejs 作为默认的模板引擎。
以下是 ejs 模板引擎语法的示例:
<% if (user) { %>
<h2><%= user.name %></h2>
<% } %>
感兴趣的读者可以访问 ejs 模块的主页来获取详细使用说明:https://npmjs.org/package/ejs
创建 Web 服务器前的工作
由于本实例将使用 express 和 ejs 这两个模块,所以我们需要将其添加到应用根目录的 package.json 文件中:
{
"name": "sina-blog-proxy",
"main": "app.js",
"version": "0.0.1",
"private": true,
"description": "网络爬虫与数据库操作",
"engines": {
"node": ">= 0.10.0"
},
"dependencies": {
"debug": "0.7.2",
"cheerio": "0.12.3",
"request": "2.27.0",
"async": "0.2.9",
"mysql": "2.x",
"express": "3.4.0",
"ejs": "0.8.4"
}
}
- 在应用根目录下新建目录 web ,本实例中的 Web 处理程序将保存在此目录下;
- 在应用根目录下执行命令
npm install
来安装所有的依赖模块。
查询数据
新建文件read.js
,保存到应用根目录下的 web 目录里面,程序如下:
var async = require('async');
var db = require('../config').db;
var debug = require('debug')('blog:web:read');
/**
* 获取文章分类列表
*
* @param {Function} callback
*/
exports.classList = function (callback) {
debug('获取文章分类列表');
db.query('SELECT * FROM `class_list` ORDER BY `id` ASC', callback);
};
/**
* 检查分类是否存在
*
* @param {Number} id
* @param {Function} callback
*/
exports.isClassExists = function (id, callback) {
debug('检查分类是否存在:%s', id);
db.query('SELECT * FROM `class_list` WHERE `id`=? LIMIT 1', [id], function (err, ret) {
if (err) return next(err);
callback(null, Array.isArray(ret) && ret.length > 0);
});
};
/**
* 获取指定分类的信息
*
* @param {Number} id
* @param {Function} callback
*/
exports.class = function (id, callback) {
debug('获取指定分类的信息:%s', id);
db.query('SELECT * FROM `class_list` WHERE `id`=? LIMIT 1', function (err, list) {
if (err) return callback(err);
if (!(list.length > 0)) return callback(new Error('该分类不存在'));
callback(null, list[0]);
});
};
/**
* 获取指定文章的详细信息
*
* @param {String} id
* @param {Function} callback
*/
exports.article = function (id, callback) {
debug('获取指定文章的详细信息:%s', id);
var sql = 'SELECT * FROM `article_list` AS `A`' +
' LEFT JOIN `article_detail` AS `B` ON `A`.`id`=`B`.`id`' +
' WHERE `A`.`id`=? LIMIT 1';
db.query(sql, [id], function (err, list) {
if (err) return callback(err);
if (!(list.length > 0)) return callback(new Error('该文章不存在'));
callback(null, list[0]);
});
};
/**
* 获取指定分类下的文章列表
*
* @param {Number} classId
* @param {Number} offset
* @param {Number} limit
* @param {Function} callback
*/
exports.articleListByClassId = function (classId, offset, limit, callback) {
debug('获取指定分类下的文章列表:%s, %s, %s', classId, offset, limit);
var sql = 'SELECT * FROM `article_list` AS `A`' +
' LEFT JOIN `article_detail` AS `B` ON `A`.`id`=`B`.`id`' +
' WHERE `A`.`class_id`=?' +
' ORDER BY `created_time` DESC LIMIT ?,?';
db.query(sql, [classId, offset, limit], callback);
};
/**
* 获取指定标签下的文章列表
*
* @param {String} tag
* @param {Number} offset
* @param {Number} limit
* @param {Function} callback
*/
exports.articleListByTag = function (tag, offset, limit, callback) {
debug('获取指定标签下的文章列表:%s, %s, %s', tag, offset, limit);
var sql = 'SELECT * FROM `article_list` WHERE `id` IN (' +
' SELECT `id` FROM `article_tag` WHERE `tag`=?)' +
' ORDER BY `created_time` DESC LIMIT ?,?';
db.query(sql, [tag, offset, limit], callback);
};
/**
* 获取指定标签下的文章数量
*
* @param {String} tag
* @param {Function} callback
*/
exports.articleCountByTag = function (tag, callback) {
debug('获取指定标签下的文章数量:%s', tag);
db.query('SELECT COUNT(*) AS `c` FROM `article_tag` WHERE `tag`=?', [tag], function (err, ret) {
if (err) return callback(err);
callback(null, ret[0].c);
});
};
博客首页
博客首页应该显示“全部博文”的文章列表,其 ID 是 0,因此我们可以通过read.articleListByClassId()
来查询出相关的文章列表。
在应用根目录下的配置文件config.js
末尾添加以下配置信息:
// Web服务器端口
exports.port = 3000;
新建文件app.js
,保存到应用根目录下,程序如下:
var path = require('path');
var express = require('express');
var read = require('./web/read');
var config = require('./config');
var app = express();
// 配置 express
app.configure(function () {
app.set('views', __dirname + '/views');
app.set('view engine', 'ejs');
app.use(app.router);
app.use('/public', express.static(path.join(__dirname, 'public')));
});
// 网站首页
app.get('/', function(req, res, next){
// articleListByClassId 的第一个参数是文章分类的 ID
// 第二个参数是返回结果的开始位置
// 第三个参数是返回结果的数量
read.articleListByClassId(0, 0, 20, function (err, list) {
if (err) return next(err);
// 渲染模板
res.locals.articleList = list;
res.render('index');
});
});
app.listen(config.port);
console.log('服务器已启动');
在应用根目录下创建目录views
,新建文件index.ejs
,保存到该目录下, 程序如下:
<h1>我的博客首页</h1>
<ul>
<% articleList.forEach(function (article) { %>
<li><a href="/article/<%= article.id %>"><%= article.title %></a></li>
<% }) %>
</ul>
在应用根目录下执行node app.js
,待控制台窗口打印出“服务器已启动” 文本 之后,在浏览器中打开http://127.0.0.1:3000,即可看到如下图的页面:
文章页面
文章内容我们可以通过read.article()
来取得。打开应用根目录的文件app.js
, 在app.listen(config.port)
这一行前面添加以下程序:
// 文章页面
app.get('/article/:id', function (req, res, next) {
// 通过 req.params.id 来取得 URL 中 :id 部分的参数
read.article(req.params.id, function (err, article) {
if (err) return next(err);
// 渲染模板
res.locals.article = article;
res.render('article');
});
});
新建文件index.ejs
,保存到应用根目录下的 views 目录里面,程序如下:
<div style="max-width:600px; margin:auto;">
<h1><%= article.title %></h1>
<%- article.content %>
</div>
重新执行app.js
,在博客首页中点击某一个文章标题,将会打开该文章页面,如下图:
关于 ejs 模板语法的说明
细心的读者会发现,输出标题的时候我们用的是<%= article.title %>
,而输出内容的 时候用的是<%- article.content %>
。一般情况下,为了安全起见,一般输出都是使用<%= data %>
,这样输出的数据都是经过字符串转义的,由于文章的内容都是些 HTML 代 码,为了保留其原来的格式,我们需要使用<%- data %>
来告诉模板引擎不要对这些数 据进行转义。
自动更新文章数据
在“网络爬虫”一节中我们已经可以通过update/all.js
这个程序来把网站上的数据同步 到自己的数据库了。当网站有更新的时候,我们再手动执行更新,就显得有些笨拙。为了能 让网站内容更新的时候及时自动同步,我们需要配置一个计划任务,然后让程序自动在指定 的时间执行。
相关模块介绍
使用 cron 模块来定时执行任务
Linux 系统有一个定时执行任务的工具 cron,其可以通过简单的语法来配置执行任务的规 则,比如00 30 11 * * 1-5
表示“周一至周五每天上午11:30执行一次”。 Node.js 也有一个叫cron的模块实现了类似的功能,以下是 cron 模块的使用示例:
var cronJob = require('cron').CronJob;
var job1 = new cronJob('* * * * * *', function(){
console.log('每秒执行一次');
});
job1.start();
var job2 = new cronJob('*/5 * * * * *', function(){
console.log(' 每5秒执行一次');
});
job2.start();
运行上面这段程序,将会看到类似下面这样的输出:
每秒执行一次
每秒执行一次
每5秒执行一次
每秒执行一次
每秒执行一次
每秒执行一次
每秒执行一次
每5秒执行一次
每秒执行一次
每秒执行一次
每秒执行一次
每秒执行一次
每秒执行一次
每5秒执行一次
每秒执行一次
每秒执行一次
每秒执行一次
cron 语法格式如下:
f1 f2 f3 f4 f5 f5 f6
其中 f1 表示秒钟,f2 表示分钟,f3 表示小时,f4 表示一个月份中的第几日,f5 表示月 份,f6 表示一个星期中的第几天。各部分的取值含义如下(以 f1 部分为例,其他部分类 似):
- 当值为
*
时,表示每秒执行一次; - 当值为
a-b
时,表示从第 a 秒钟到第 b 秒钟这段时间内执行一次; - 当值为
*/n
时,表示每隔 n 秒钟执行一次; - 当值为
a-b/n
时,表示从第 a 秒钟到第 b 秒钟这段时间内每隔 n 秒钟执行一次。
cron模块的详细使用说明可以访问以下网址获取:https://npmjs.org/package/cron
cron 的详细语法可以参考 Linux 的crontab命令使用说明:http://baike.baidu.com/view/1229061.htm
使用内置的 child_process 模块来执行文件
child_process模块主要用于启动一个新的进程。在本实例中,将通过 child_process 模块来替代之前手动执行node update/all.js
实现自动更新。
child_process模块主要可以通过spawn()和exec()两种方法来启动一个 新进程,以下是两种方法的简单示例:
使用child_process.spawn()
启动子进程:
var child_process = require('child_process');
// spawn() 是直接运行文件的,而在 Windows 系统下 dir 命令是cmd.exe的内置命令
// 并不实际存在名为 dir.exe 的可执行文件,所以这里需要判断一下
if (process.platform === 'win32') {
var dir = child_process.spawn('cmd.exe', ['/s', '/c', 'dir', 'c:\\']);
} else {
var dir = child_process.spawn('dir', ['/']);
}
// 当子进程有输出时,自动将其输出到当前进程的标准输出流
dir.stdout.pipe(process.stdout);
dir.stderr.pipe(process.stderr);
// 进程结束时触发 close 事件
dir.on('close', function (code) {
console.log('进程结束,代码=%d', code);
});
使用child_process.exec()
启动子进程:
var child_process = require('child_process');
// 选项
var options = {
// 输出缓冲区的大小,默认是200K,如果进程的输出超过这个值,会抛出异常
// 并结束该进程
maxBuffer: 200*1024
};
var dir = child_process.exec('dir *', options, function (err, stdout, stderr) {
if (err) throw err;
console.log('stdout: ' + stdout);
console.error('stderr: ' + stderr);
});
child_process 模块的spawn()
方法和exec()
方法的区别主要有以下几点:
-
spawn()
执行的命令必须是一个实际存在的可执行文件,而exec()
执行的命令则与 在命令行下执行的命令一样; -
exec()
可以在回调函数中一次性返回子进程在stdout和stderr中输出的 内容,但调用两者都会返回一个ChildProcess实例,通过监听其 stdout 和 stderr 属性的data
事件均可获取到进程的输出; - 使用
exec()
启动子进程时,可以指定maxBuffer参数,默认为 200K,如果子进 程的输出大于这个值,将会抛出Error: stdout maxBuffer exceeded异常,并结束 该子进程。
前面已经介绍了如何使用child_process
模块来其启动一个新的进程,在本实例中,要 执行的是一个 Node.js 程序,我们可以通过process.execPath
来取得当前 Node.js 进程的可执行文件路径,再使用child_process.spawn()
来执行该可执行文件,将要执 行的 Node.js 程序作为第一个参数,比如:
var child_process = require('child_process');
function execNodeFile (file) {
var node = child_process.spawn(process.execPath, [file]);
// 当子进程有输出时,自动将其输出到当前进程的标准输出流
node.stdout.pipe(process.stdout);
node.stderr.pipe(process.stderr);
// 进程结束时触发 close 事件
node.on('close', function (code) {
console.log('进程结束,代码=%d', code);
});
}
// 执行 Node.js 程序文件 abc.js
execNodeFile('abc.js');
关于child_process模块的详细使用方法可以访问 Node.js API 文档页面来获取:http://nodejs.org/api/child_process.html
准备工作
由于本实例将使用 cron 这个模块,所以我们需要将其添加到应用根目录的 package.json 文件中:
{
"name": "sina-blog-proxy",
"main": "app.js",
"version": "0.0.1",
"private": true,
"description": "网络爬虫与数据库操作",
"engines": {
"node": ">= 0.10.0"
},
"dependencies": {
"debug": "0.7.2",
"cheerio": "0.12.3",
"request": "2.27.0",
"async": "0.2.9",
"mysql": "2.x",
"express": "3.4.0",
"ejs": "0.8.4",
"cron": "1.0.1"
}
}
在应用根目录下执行命令npm install
来安装所有的依赖模块。
定时执行更新任务
在应用根目录下的配置文件config.js
末尾添加以下配置信息:
// 定时更新
exports.autoUpdate = '* */30 * * *'; // 任务执行规则,参考 cron 语法
在应用根目录下的文件app.js
末尾添加以下代码:
// 定时执行更新任务
var spawn = require('child_process').spawn;
var cronJob = require('cron').CronJob;
var job = new cronJob(config.autoUpdate, function () {
console.log('开始执行定时更新任务');
var update = spawn(process.execPath, [path.resolve(__dirname, 'update/all.js')]);
update.stdout.pipe(process.stdout);
update.stderr.pipe(process.stderr);
update.on('close', function (code) {
console.log('更新任务结束,代码=%d', code);
});
});
job.start();
重新启动程序app.js
即可自动运行更新任务。
让程序更稳定地运行
处理 uncaughtException 事件
大多数情况下,异步 IO 操作(如读写本地文件,网络连接等)所发生的错误是无法被try {} catch (err) {}
捕捉到的。如果其所抛出的异常没有被捕捉到,将会导致 Node.js 进程直接退出。而本实例恰恰需要大量地操作网络连接。
在 Node.js 中,如果一个抛出的异常没有被try {} catch (err) {}
捕捉到,其会尝试 将这些错误交由uncaughtException
事件处理程序来处理,仅当没有注册该事件处理程 序时,才会最终导致进程直接退出。因此,我们可以通过在本实例的app.js
文件中添加uncaughtException
事件的处理程序来避免进程异常退出:
在app.js
文件末尾增加以下程序:
process.on('uncaughtException', function (err) {
console.error('uncaughtException: %s', err.stack);
});
关于uncaughtException
事件的详细说明,请参考 Node.js 的 API 文档:http://nodejs.org/api/process.html#process_event_uncaughtexception
使用 pm2 来启动程序
有时候,由于 Node.js 自身的 Bug 或者使用到的第三方 C++ 模块的缺陷而导致一些底层 的错误,比如在 Linux 系统下偶尔会发生段错误(segment fault)导致进程崩溃,此时 上面提到的处理 uncaughtException 事件的方法就不适用了。
pm2 是一个功能强大的进程管理器,通过pm2 start
来启动 Node.js 程序,当该进程异 常退出时,pm2 会自动尝试重启进程,这样可以保证 Node.js 应用稳定运行。同时 pm2 还 可以很方便地查看其所启动的各个进程的内存占用和日志等信息。
安装 pm2
在命令行下执行npm install -g pm2
安装 pm2 命令行工具。
启动和停止程序
假如要启动的程序文件路径是~/app.js
,在命令行下执行pm2 start ~/app.js
即可 启动程序,执行pm2 stop ~/app.js
即可停止该程序。
关于 pm2 命令行工具的详细使用方法,可访问该工具的主页来获取:https://npmjs.org/package/pm2
处理 GBK 编码的网页
由于历史原因,国内有些网站还在使用 GBK 字符编码显示(比如淘宝网),而 JavaScript 内部的字符编码是使用 Unicode 来表示的,因此在编写爬虫来处理这些 GBK 编码的网页内 容时还需要将这些内容转成 UTF-8 编码。
比如运行下面的程序来抓取一个 GBK 编码的网页:
var request = require('request');
var cheerio = require('cheerio');
request('http://www.taobao.com/', function (err, res, body) {
if (err) throw err;
var $ = cheerio.load(body);
// 输出网页的标题
console.log($('head title').text());
});
执行以上程序,输出的内容是空白的,因为 Node.js 把 GBK 编码的网页内容当作 Unicode 编码来处理了。下面将演示如何正确处理这些内容:
首先在命令行下执行npm install iconv-lite
来安装iconv-lite模块,再运行 以下程序:
var request = require('request');
var cheerio = require('cheerio');
var iconv = require('iconv-lite');
request({
url: 'http://www.taobao.com/',
// 重点,设置 request 抓取网页时不要对接收到的数据做任何转换
encoding: null
}, function (err, res, body) {
if (err) throw err;
// 转换 gbk 编码的网页内容
body = iconv.decode(body, 'gbk');
var $ = cheerio.load(body);
// 输出网页的标题
console.log($('head title').text());
});
执行以上程序后,将会看到程序正确地打印出了网页的标题“淘宝网 - 淘!我喜欢”。
另外,我们还可以使用一个叫gbk模块来实现相同的效果:
首先在命令行下执行npm install gbk
来安装该模块,再运行以下程序:
var cheerio = require('cheerio');
var gbk = require('gbk');
gbk.fetch('http://www.taobao.com/','utf-8').to('string', function (err, body) {
if (err) throw err;
var $ = cheerio.load(body);
// 输出网页标题
console.log($('head title').text());
});
结束
本章的内容主要讲解了关键的实现部分,对于一些相关的模块的详细使用方法,读者可以 自行访问该模块的主页来获取。要获取本章实例的完整代码可以访问以下网址获得:https://github.com/leizongmin/book-crawler-mysql-cron
读者在阅读本章内容时遇到相关的问题,可以通过以下网址来提交:https://github.com/leizongmin/book-crawler-mysql-cron/issues
参考文献:
- 《SQL注入》:http://baike.baidu.com/view/3896.htm
- 《数据库连接池》:http://baike.baidu.com/view/84055.htm
- 《Async详解之一:流程控制》:http://freewind.me/blog/20120515/917.html
- 《Async详解之二:工具类》:http://freewind.me/blog/20120517/931.html
- 《Async详解之三:集合操作》:http://freewind.me/blog/20120518/932.html
- 《jsdoc-toolkit TagReference》:https://code.google.com/p/jsdoc-toolkit/wiki/TagReference
- 《XSS注入和防范》:http://qdemo.sinaapp.com/ppt/xss/
- 《segment fault 段异常各种原因》:http://www.myexception.cn/program/972764.html
- 《crontab命令》:http://baike.baidu.com/view/1229061.htm
- 《exec与spawn方法的区别与陷阱》:http://blog.csdn.net/bd_zengxinxin/article/details/9044989
- 《UNICODE,GBK,UTF-8区别》:http://www.cnblogs.com/cy163/archive/2007/05/31/766886.html
- 《NodeJS笔记:处理非utf8编码(续)》:http://nodejs.lofter.com/post/3c14e_48aee
相关推荐
基于vue+node.js+mysql的网站商城源码+数据库.zip实现功能:首页轮播图、商品展示、购物车、留言评论、收藏、新闻公告、注册登录、后台管理等 基于vue+node.js+mysql的网站商城源码+数据库.zip实现功能:首页轮播图...
node.js+mysql博客全栈系统源码,全栈开发个人博客系统,前台展示和后台管理一体化。 node.js + express + mysql 包含前端博客展示、后台管理、node后端。整套博客系统开箱即用,对elemen-ui二次封装组件非常便利,...
标题中的“Node.js-mysql数据库表结构对比工具”是指一个基于Node.js开发的应用程序,用于比较MySQL数据库中的不同表结构,包括存储过程和函数。这个工具可以帮助开发者在数据库升级、迁移或版本控制时,轻松地识别...
该项目是基于Node.js的MySQL数据库管理工具设计源码,共计110个文件,其中包括46个JavaScript源文件、29个HTML页面文件、9张JPG图片文件、5个CSS样式文件、4个JSON配置文件、2个Markdown文档、2个ICO图标文件、2个...
毕业设计基于node.js+mysql+Redis的金融借贷平台源码+数据库.zip个人经导师指导并认可通过的高分毕业设计项目,评审分98分。主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者,也可作为课程设计...
基于vue+node.js+mysql的校园疫情管理系统.zip 前端基于vue.js+element-ui,后端基于node+express,数据库使用sql,网络请求使用axios的校园疫情管理系统 基于vue+node.js+mysql的校园疫情管理系统.zip 前端基于vue....
NideShop:基于Node.js+MySQL开发的开源微信小程序商城(微信小程序) NideShop商城(微信小程序端) 界面高仿网易严选商城(主要是2016年wap版) 测试数据采集自网易严选商城 功能和数据库参考ecshop 服务端api基于...
在Node.js开发中,与MySQL数据库交互是常见的需求。本文将详细介绍如何使用Node.js操作MySQL数据库,包括连接、CRUD(创建、读取、更新、删除)操作、连接池的使用以及SQL防注入策略。 1. **连接数据库** 使用`npm...
基于vue+node.js+mysql的鲜花销售网站商城系统源码+数据库(毕业设计).zip 已获老师指导并通过的高分设计项目,也可作为期末大作业和课程设计,纯手打高分项目,小白实战没难度。 基于vue+node.js+mysql的鲜花销售...
本项目“team-work-master.zip”就是一个基于Node.js技术栈,利用MySQL数据库实现的办公管理系统的实例,旨在帮助开发者理解如何将这两种技术有效地结合在一起,实现数据的增删改查功能。 Node.js是一种基于Chrome ...
所用技术:vue全家桶、vueRouter、Element UI、Axios、js、Node.js、Express、Mysql 实现功能:首页轮播图、商品展示、购物车、留言评论、收藏、新闻公告、注册登录、后台管理等
该项目是一个基于Vue.js、Node.js和MySQL数据库的校园二手交易网站,主要面向大学生提供便捷的线上交易平台。SPA(Single Page Application)表示整个应用都是在一个页面上进行,通过动态加载内容来实现页面间的切换...
uni-app+webpack+vue+axios+node.js+express+mysql 小程序端项目描述 **具体模块的实现:**轮播图与招聘车队的展示、赛事规则与精彩十佳球的查看、赛赛车队人员信息的查看、流程页面采用触底页进行渲染、用户登录...
3. 数据库操作模块:Node.js 通过 MySQL 驱动进行数据库操作,例如存储新用户、创建聊天室、保存聊天记录。 4. 用户界面:Element UI 提供的组件用于构建聊天界面,包括输入框、发送按钮、聊天历史记录等。 5. ...
在这个项目中,Node.js 作为后端服务器,负责接收和处理前端发来的请求,同时与数据库进行交互。 **4. Socket.IO** Socket.IO 是一个实时应用框架,支持在客户端和服务器之间建立实时、双向通信的连接。在聊天室...
它处理来自Vue.js的HTTP请求,与MySQL数据库进行数据交互,执行CRUD(创建、读取、更新、删除)操作。Node.js的非阻塞I/O模型使得它在处理大量并发请求时表现出色,适合构建高性能的Web服务。 【MySQL数据库】 ...
在Node.js中,我们通常会使用`mysql2`库来与MySQL数据库进行交互。`mysql2`是一个流行的Node.js MySQL驱动,提供了创建连接、执行SQL查询、处理结果等功能。在描述中提到的`dbUtils.js`可能就是一个封装了这些功能的...
10. **数据库集成**:Node.js可以与各种数据库(如MongoDB、MySQL等)无缝集成,提供快速的数据存取能力。 通过阅读《Node.js By Example》这本书,你将不仅了解Node.js的基础知识,还能学习到如何创建网络服务器、...
本项目“js客户端通过node.js实现的Server操作MySQL”旨在展示如何不依赖像Express这样的框架,直接使用Node.js的核心功能来构建一个简单的服务器,并与MySQL数据库进行交互。以下将详细介绍这一过程中的关键知识点...