用TypeScript开发爬虫程序

[[175063]]

全局安装typescript：

npm install -g typescript 

目前版本2.0.3，这个版本不再需要使用typings命令了。但是vscode捆绑的版本是1.8的，需要一些配置工作，看本文的处理办法。

测试tsc命令：

tsc 

创建要写的程序项目文件夹：

mkdir test-typescript-spider 

进入该文件夹：

cd test-typescript-spider 

初始化项目：

npm init 

安装superagent和cheerio模块：

npm i --save superagent cheerio 

安装对应的类型声明模块：

npm i -s @types/superagent --save  
npm i -s @types/cheerio --save  

安装项目内的typescript(必须走这一步)：

npm i --save typescript 

用vscode打开项目文件夹。在该文件夹下创建tsconfig.json文件，并复制以下配置代码进去：

{ 
    "compilerOptions": { 
        "target": "ES6", 
        "module": "commonjs", 
        "noEmitOnError": true, 
        "noImplicitAny": true, 
        "experimentalDecorators": true, 
        "sourceMap": false, 
     // "sourceRoot": "./", 
        "outDir": "./out" 
    }, 
    "exclude": [ 
        "node_modules" 
    ] 
}  

在vscode打开“文件”-“***项”-“工作区设置”在settings.json中加入(如果不做这个配置，vscode会在打开项目的时候提示选择哪个版本的typescript)：

{ 
   "typescript.tsdk": "node_modules/typescript/lib" 
}  

创建api.ts文件，复制以下代码进去：

import superagent = require('superagent'); 
import cheerio = require('cheerio'); 
 
export const remote_get = function(url: string) { 
 
    const promise = new Promise<superagent.Response>(function (resolve, reject) { 
        superagent.get(url) 
            .end(function (err, res) { 
                if (!err) { 
                    resolve(res); 
                } else { 
                    console.log(err) 
                    reject(err); 
                } 
            }); 
    }); 
    return promise; 
}  

创建app.ts文件，书写测试代码：

import api = require('./api'); 
const go = async () => { 
    let res = await api.remote_get('http://www.baidu.com/'); 
    console.log(res.text); 
} 
go();  

执行命令：

tsc 

然后：

node out/app 

观察输出是否正确。

现在尝试抓取http://cnodejs.org/的***页文章链接。

修改app.ts文件，代码如下：

import api = require('./api'); 
import cheerio = require('cheerio'); 
 
const go = async () => { 
    const res = await api.remote_get('http://cnodejs.org/'); 
    const $ = cheerio.load(res.text); 
    let urls: string[] = []; 
    let titles: string[] = []; 
    $('.topic_title_wrapper').each((index, element) => { 
        titles.push($(element).find('.topic_title').first().text().trim()); 
        urls.push('http://cnodejs.org/' + $(element).find('.topic_title').first().attr('href')); 
    }) 
    console.log(titles, urls); 
} 
go();  

观察输出，文章的标题和链接都已获取到了。

现在尝试深入抓取文章内容

import api = require('./api'); 
import cheerio = require('cheerio'); 
 
const go = async () => { 
    const res = await api.remote_get('http://cnodejs.org/'); 
    const $ = cheerio.load(res.text); 
    $('.topic_title_wrapper').each(async (index, element) => { 
        let url = ('http://cnodejs.org' + $(element).find('.topic_title').first().attr('href')); 
        const res_content = await api.remote_get(url); 
        const $_content = cheerio.load(res_content.text); 
        console.log($_content('.topic_content').first().text()); 
    }) 
 
} 
go();  

可以发现因为访问服务器太迅猛，导致出现很多次503错误。

解决：

添加helper.ts文件：

export const wait_seconds = function (senconds: number) { 
    return new Promise(resolve => setTimeout(resolve, senconds * 1000)); 
}  

修改api.ts文件为：

import superagent = require('superagent'); 
import cheerio = require('cheerio'); 
 
export const get_index_urls = function () { 
    const res = await remote_get('http://cnodejs.org/'); 
    const $ = cheerio.load(res.text); 
    let urls: string[] = []; 
    $('.topic_title_wrapper').each(async (index, element) => { 
        urls.push('http://cnodejs.org' + $(element).find('.topic_title').first().attr('href')); 
    }); 
    return urls; 
} 
export const get_content = async function (url: string) { 
    const res = await remote_get(url); 
    const $ = cheerio.load(res.text); 
    return $('.topic_content').first().text(); 
} 
 
export const remote_get = function (url: string) { 
 
    const promise = new Promise<superagent.Response>(function (resolve, reject) { 
 
        superagent.get(url) 
            .end(function (err, res) { 
                if (!err) { 
                    resolve(res); 
                } else { 
                    console.log(err) 
                    reject(err); 
                } 
            }); 
    }); 
    return promise; 
} 

修改app.ts文件为：

import api = require('./api'); 
import helper = require('./helper'); 
import cheerio = require('cheerio'); 
 
const go = async () => { 
    let urls = await api.get_index_urls(); 
    for (let i = 0; i < urls.length; i++) { 
        await helper.wait_seconds(1); 
        let text = await api.get_content(urls[i]); 
        console.log(text); 
    } 
} 
go(); 

观察输出可以看到，程序实现了隔一秒再请求下一个内容页。

现在尝试把抓取到的东西存到数据库中。安装mongoose模块：

npm i mongoose --save 
npm i -s @types/mongoose --save  

然后建立Scheme。先创建models文件夹：

mkdir models 

在models文件夹下创建index.ts：

import * as mongoose from 'mongoose'; 
 
mongoose.connect('mongodb://127.0.0.1/cnodejs_data', { 
    server: { poolSize: 20 } 
}, function (err) { 
    if (err) { 
        process.exit(1); 
    } 
}); 
 
// models 
export const Article = require('./article');  

在models文件夹下创建IArticle.ts:

interface IArticle { 
    title: String; 
    url: String; 
    text: String; 
} 
export = IArticle; 

在models文件夹下创建Article.ts:

import mongoose = require('mongoose'); 
import IArticle = require('./IArticle'); 
interface IArticleModel extends IArticle, mongoose.Document { } 
 
const ArticleSchema = new mongoose.Schema({ 
    title: { type: String }, 
    url: { type: String }, 
    text: { type: String }, 
}); 
 
const Article = mongoose.model<IArticleModel>("Article", ArticleSchema); 
export = Article;  

修改api.ts为：

import superagent = require('superagent'); 
import cheerio = require('cheerio'); 
import models = require('./models'); 
const Article = models.Article; 
 
export const get_index_urls = async function () { 
    const res = await remote_get('http://cnodejs.org/'); 
 
    const $ = cheerio.load(res.text); 
    let urls: string[] = []; 
    $('.topic_title_wrapper').each((index, element) => { 
        urls.push('http://cnodejs.org' + $(element).find('.topic_title').first().attr('href')); 
    }); 
    return urls; 
 
} 
export const fetch_content = async function (url: string) { 
    const res = await remote_get(url); 
 
    const $ = cheerio.load(res.text); 
    let article = new Article(); 
    article.text = $('.topic_content').first().text(); 
    article.title = $('.topic_full_title').first().text().replace('置顶', '').replace('精华', '').trim(); 
    article.url = url; 
    console.log('获取成功：' + article.title); 
    article.save(); 
 
} 
export const remote_get = function (url: string) { 
 
    return new Promise<superagent.Response>((resolve, reject) => { 
        superagent.get(url) 
            .end(function (err, res) { 
                if (!err) { 
                    resolve(res); 
                } else { 
                    reject(err); 
                } 
            }); 
    }); 
}  

修改app.ts为：

import api = require('./api'); 
import helper = require('./helper'); 
import cheerio = require('cheerio'); 
 
(async () => { 
 
    try { 
        let urls = await api.get_index_urls(); 
        for (let i = 0; i < urls.length; i++) { 
            await helper.wait_seconds(1); 
            await api.fetch_content(urls[i]); 
        } 
    } catch (err) { 
        console.log(err); 
    } 
 
    console.log('完毕！'); 
 
})();  

执行

tsc 
node out/app  

观察输出，并去数据库检查一下可以发现入库成功了!

补充：remote_get方法的改进版，实现错误重试和加入代理服务器.放弃了superagent库，用的request库，仅供参考：

//config.retries = 3; 
let current_retry = config.retries || 0; 
export const remote_get = async function (url: string, proxy?: string) { 
    //每次请求都先稍等一下 
    await wait_seconds(2); 
    if (!proxy) { 
        proxy = ''; 
    } 
    const promise = new Promise<string>(function (resolve, reject) { 
        console.log('get: ' + url + ',  using proxy: ' + proxy); 
        let options: request.CoreOptions = { 
            headers: { 
                'Cookie': '', 
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36', 
                'Referer': 'https://www.baidu.com/' 
            }, 
            encoding: 'utf-8', 
            method: 'GET', 
            proxy: proxy, 
            timeout: 3000, 
        } 
        request(url, options, async function (err, response, body) { 
            console.log('got:' + url); 
            if (!err) { 
                body = body.toString(); 
                current_retry = config.retries || 0; 
                console.log('bytes:' + body.length); 
                resolve(body); 
            } else { 
                console.log(err); 
                if (current_retry <= 0) { 
                    current_retry = config.retries || 0; 
                    reject(err); 
                } else { 
                    console.log('retry...(' + current_retry + ')') 
                    current_retry--; 
                    try { 
                        let body = await remote_get(url, proxy); 
                        resolve(body); 
                    } catch (e) { 
                        reject(e); 
                    } 
                } 
            } 
        }); 
    }); 
    return promise; 
}  

另外，IArticle.ts和Article.ts合并为一个文件，可能更好，可以参考我另一个model的写法：

import mongoose = require('mongoose'); 
 
interface IProxyModel { 
    uri: string; 
    ip: string; 
    port:string; 
    info:string; 
} 
export interface IProxy extends IProxyModel, mongoose.Document { } 
 
const ProxySchema = new mongoose.Schema({ 
    uri: { type: String },// 
    ip: { type: String },// 
    port: { type: String },// 
    info: { type: String },// 
}); 
export const Proxy = mongoose.model<IProxy>("Proxy", ProxySchema);  

导入的时候这么写就行了：

import { IProxy, Proxy } from './models'; 

其中Proxy可以用来做new、find、where之类的操作:

let x = new Proxy(); 
let xx = await Proxy.find({}); 
let xxx = await Proxy.where('aaa',123).exec();  

而IProxy用于实体对象的传递，例如

function xxx(p:IProxy){ 
}