基于TypeScript从0到1搭建一款爬虫工具-开源爬虫工具

[[378604]]

前言

今天，我们将使用TS这门语言搭建一款爬虫工具。目标网址是什么呢?我们去上网一搜，经过几番排查之后，我们选定了这一个网站。

https://www.hanju.run/

一个视频网站，我们的目的主要是爬取这个网站上视频的播放链接。下面，我们就开始进行第一步。

第一步

俗话说，万事开头难。不过对于这个项目而言，恰恰相反。你需要做以下几个事情：

1.我们需要创建一个项目文件夹

2.键入命令，初始化项目

npm init -y

3.局部安装typescript

npm install typescript -D

4.接着键入命令，生成ts配置文件

tsc --init

5.局部安装ts-node，用于命令行输出命令

npm install -D ts-node

6.在项目文件夹中创建一个src文件夹

然后我们在src文件夹中创建一个crawler.ts文件。

7.在package.json文件中修改快捷启动命令

"scripts": { 
    "dev-t": "ts-node ./src/crawler.ts" 
  }

第二步

接下来，我们将进行实战操作，也就是上文中crawler.ts文件是我们的主战场。

我们首先需要引用的这几个依赖，分别是

import superagent from "superagent"; 
import cheerio from "cheerio"; 
import fs from "fs"; 
import path from "path";

所以，我们会这样安装依赖：

superagent作用是获取远程网址html的内容。

npm install superagent

cheerio作用是可以通过jQ语法获取页面节点的内容。

npm install cheerio

剩余两个依赖fs，path。它们是node内置依赖，直接引入即可。

我们完成了安装依赖，但是会发现你安装的依赖上会有红色报错。原因是这样的，superagent和cheerio内部都是用JS写的，并不是TS写的，而我们现在的环境是TS。所以我们需要翻译一下，我们将这种翻译文件又称类型定义文件(以.d.ts为后缀)。我们可以使用以下命令安装类型定义文件。

npm install -D @types/superagent

npm install -D @types/cheerio

接下来，我们就认认真真看源码了。

1.安装完两个依赖后，我们需要创建一个Crawler类，并且将其实例化。

import superagent from "superagent"; 
import cheerio from "cheerio"; 
import fs from "fs"; 
import path from "path"; 
 
class Crawler { 
  constructor() { 
     
  } 
} 
 
const crawler = new Crawler();

2.我们确定下要爬取的网址，然后赋给一个私有变量。最后我们会封装一个getRawHtml方法来获取对应网址的内容。

getRawHtml方法中我们使用了async/await关键字，主要用于异步获取页面内容，然后返回值。

import superagent from "superagent"; 
import cheerio from "cheerio"; 
import fs from "fs"; 
import path from "path"; 
 
class Crawler { 
  private url = "https://www.hanju.run/play/39221-4-0.html"; 
 
  async getRawHtml() { 
    const result = await superagent.get(this.url); 
    return result.text; 
  } 
 
  async initSpiderProcess() { 
    const html = await this.getRawHtml(); 
  } 
 
  constructor() { 
    this.initSpiderProcess(); 
  } 
} 
 
const crawler = new Crawler();

3.使用cheerio依赖内置的方法获取对应的节点内容。

我们通过getRawHtml方法异步获取网页的内容，然后我们传给getJsonInfo这个方法，注意是string类型。我们这里通过cheerio.load(html)这条语句处理，就可以通过jQ语法来获取对应的节点内容。我们获取到了网页中视频的标题以及链接，通过键值对的方式添加到一个对象中。注：我们在这里定义了一个接口，定义键值对的类型。

import superagent from "superagent"; 
import cheerio from "cheerio"; 
import fs from "fs"; 
import path from "path"; 
 
interface Info { 
  name: string; 
  url: string; 
} 
 
class Crawler { 
  private url = "https://www.hanju.run/play/39221-4-0.html"; 
 
  getJsonInfo(html: string) { 
    const $ = cheerio.load(html); 
    const info: Info[] = []; 
    const scpt: string = String($(".play>script:nth-child(1)").html()); 
    const url = unescape( 
      scpt.split(";")[3].split("(")[1].split(")")[0].replace(/\"/g, "") 
    ); 
    const name: string = String($("title").html()); 
    info.push({ 
      name, 
      url, 
    }); 
    const result = { 
      time: new Date().getTime(), 
      data: info, 
    }; 
    return result; 
  } 
 
  async getRawHtml() { 
    const result = await superagent.get(this.url); 
    return result.text; 
  } 
 
  async initSpiderProcess() { 
    const html = await this.getRawHtml(); 
    const info = this.getJsonInfo(html); 
  } 
 
  constructor() { 
    this.initSpiderProcess(); 
  } 
} 
 
const crawler = new Crawler();

4.我们首先要在项目根目录下创建一个data文件夹。然后我们将获取的内容我们存入文件夹内的url.json文件(文件自动生成)中。

我们将其封装成getJsonContent方法，在这里我们使用了path.resolve来获取文件的路径。fs.readFileSync来读取文件内容，fs.writeFileSync来将内容写入文件。注：我们分别定义了两个接口objJson与InfoResult。

import superagent from "superagent"; 
import cheerio from "cheerio"; 
import fs from "fs"; 
import path from "path"; 
 
interface objJson { 
  [propName: number]: Info[]; 
} 
 
interface Info { 
  name: string; 
  url: string; 
} 
 
interface InfoResult { 
  time: number; 
  data: Info[]; 
} 
 
class Crawler { 
  private url = "https://www.hanju.run/play/39221-4-0.html"; 
 
  getJsonInfo(html: string) { 
    const $ = cheerio.load(html); 
    const info: Info[] = []; 
    const scpt: string = String($(".play>script:nth-child(1)").html()); 
    const url = unescape( 
      scpt.split(";")[3].split("(")[1].split(")")[0].replace(/\"/g, "") 
    ); 
    const name: string = String($("title").html()); 
    info.push({ 
      name, 
      url, 
    }); 
    const result = { 
      time: new Date().getTime(), 
      data: info, 
    }; 
    return result; 
  } 
 
  async getRawHtml() { 
    const result = await superagent.get(this.url); 
    return result.text; 
  } 
 
  getJsonContent(info: InfoResult) { 
    const filePath = path.resolve(__dirname, "../data/url.json"); 
    let fileContent: objJson = {}; 
    if (fs.existsSync(filePath)) { 
      fileContent = JSON.parse(fs.readFileSync(filePath, "utf-8")); 
    } 
    fileContent[info.time] = info.data; 
    fs.writeFileSync(filePath, JSON.stringify(fileContent)); 
  } 
 
  async initSpiderProcess() { 
    const html = await this.getRawHtml(); 
    const info = this.getJsonInfo(html); 
    this.getJsonContent(info); 
  } 
 
  constructor() { 
    this.initSpiderProcess(); 
  } 
} 
 
const crawler = new Crawler();

5.运行命令

npm run dev-t

6.查看生成文件的效果

{ 
  "1610738046569": [ 
    { 
      "name": "《复仇者联盟4：终局之战》HD1080P中字m3u8在线观看-韩剧网", 
      "url": "https://wuxian.xueyou-kuyun.com/20190728/16820_302c7858/index.m3u8" 
    } 
  ], 
  "1610738872042": [ 
    { 
      "name": "《钢铁侠2》HD高清m3u8在线观看-韩剧网", 
      "url": "https://www.yxlmbbs.com:65/20190920/54uIR9hI/index.m3u8" 
    } 
  ], 
  "1610739069969": [ 
    { 
      "name": "《钢铁侠2》中英特效m3u8在线观看-韩剧网", 
      "url": "https://tv.youkutv.cc/2019/11/12/mjkHyHycfh0LyS4r/playlist.m3u8" 
    } 
  ] 
}

准结语

到这里真的结束了吗?

不!不!不!

真的没有结束。

我们会看到上面一坨代码，真的很臭~

我们将分别使用组合模式与单例模式将其优化。

优化一：组合模式

组合模式(Composite Pattern)，又叫部分整体模式，是用于把一组相似的对象当作一个单一的对象。组合模式依据树形结构来组合对象，用来表示部分以及整体层次。这种类型的设计模式属于结构型模式，它创建了对象组的树形结构。

这种模式创建了一个包含自己对象组的类。该类提供了修改相同对象组的方式。

简言之，就是可以像处理简单元素一样来处理复杂元素。

首先，我们在src文件夹下创建一个combination文件夹，然后在其文件夹下分别在创建两个文件crawler.ts和urlAnalyzer.ts。

crawler.ts

crawler.ts文件的作用主要是处理获取页面内容以及存入文件内。

import superagent from "superagent"; 
import fs from "fs"; 
import path from "path"; 
import UrlAnalyzer from "./urlAnalyzer.ts"; 
 
export interface Analyzer { 
  analyze: (html: string, filePath: string) => string; 
} 
 
class Crowller { 
  private filePath = path.resolve(__dirname, "../../data/url.json"); 
 
  async getRawHtml() { 
    const result = await superagent.get(this.url); 
    return result.text; 
  } 
 
  writeFile(content: string) { 
    fs.writeFileSync(this.filePath, content); 
  } 
 
  async initSpiderProcess() { 
    const html = await this.getRawHtml(); 
    const fileContent = this.analyzer.analyze(html, this.filePath); 
    this.writeFile(fileContent); 
  } 
 
  constructor(private analyzer: Analyzer, private url: string) { 
    this.initSpiderProcess(); 
  } 
} 
const url = "https://www.hanju.run/play/39257-1-1.html"; 
 
const analyzer = new UrlAnalyzer(); 
new Crowller(analyzer, url);

urlAnalyzer.ts

urlAnalyzer.ts文件的作用主要是处理获取页面节点内容的具体逻辑。

import cheerio from "cheerio"; 
import fs from "fs"; 
import { Analyzer } from "./crawler.ts"; 
 
interface objJson { 
  [propName: number]: Info[]; 
} 
interface InfoResult { 
  time: number; 
  data: Info[]; 
} 
interface Info { 
  name: string; 
  url: string; 
} 
 
export default class UrlAnalyzer implements Analyzer { 
  private getJsonInfo(html: string) { 
    const $ = cheerio.load(html); 
    const info: Info[] = []; 
    const scpt: string = String($(".play>script:nth-child(1)").html()); 
    const url = unescape( 
      scpt.split(";")[3].split("(")[1].split(")")[0].replace(/\"/g, "") 
    ); 
    const name: string = String($("title").html()); 
    info.push({ 
      name, 
      url, 
    }); 
    const result = { 
      time: new Date().getTime(), 
      data: info, 
    }; 
    return result; 
  } 
 
  private getJsonContent(info: InfoResult, filePath: string) { 
    let fileContent: objJson = {}; 
    if (fs.existsSync(filePath)) { 
      fileContent = JSON.parse(fs.readFileSync(filePath, "utf-8")); 
    } 
    fileContent[info.time] = info.data; 
    return fileContent; 
  } 
 
  public analyze(html: string, filePath: string) { 
    const info = this.getJsonInfo(html); 
    console.log(info); 
    const fileContent = this.getJsonContent(info, filePath); 
    return JSON.stringify(fileContent); 
  } 
}

可以在package.json文件中定义快捷启动命令。

"scripts": { 
  "dev-c": "ts-node ./src/combination/crawler.ts" 
},

然后使用npm run dev-c启动即可。

优化二：单例模式

**单例模式(Singleton Pattern)**是 Java 中最简单的设计模式之一。这种类型的设计模式属于创建型模式，它提供了一种创建对象的最佳方式。

这种模式涉及到一个单一的类，该类负责创建自己的对象，同时确保只有单个对象被创建。这个类提供了一种访问其唯一的对象的方式，可以直接访问，不需要实例化该类的对象。

应用实例：

1、一个班级只有一个班主任。
2、Windows 是多进程多线程的，在操作一个文件的时候，就不可避免地出现多个进程或线程同时操作一个文件的现象，所以所有文件的处理必须通过唯一的实例来进行。
3、一些设备管理器常常设计为单例模式，比如一个电脑有两台打印机，在输出的时候就要处理不能两台打印机打印同一个文件。

同样，我们在src文件夹下创建一个singleton文件夹，然后在其文件夹下分别在创建两个文件crawler1.ts和urlAnalyzer.ts。

这两个文件的作用与上文同样，只不过代码书写不一样。

crawler1.ts

import superagent from "superagent"; 
import fs from "fs"; 
import path from "path"; 
import UrlAnalyzer from "./urlAnalyzer.ts"; 
 
export interface Analyzer { 
  analyze: (html: string, filePath: string) => string; 
} 
 
class Crowller { 
  private filePath = path.resolve(__dirname, "../../data/url.json"); 
 
  async getRawHtml() { 
    const result = await superagent.get(this.url); 
    return result.text; 
  } 
 
  private writeFile(content: string) { 
    fs.writeFileSync(this.filePath, content); 
  } 
 
  private async initSpiderProcess() { 
    const html = await this.getRawHtml(); 
    const fileContent = this.analyzer.analyze(html, this.filePath); 
    this.writeFile(JSON.stringify(fileContent)); 
  } 
 
  constructor(private analyzer: Analyzer, private url: string) { 
    this.initSpiderProcess(); 
  } 
} 
const url = "https://www.hanju.run/play/39257-1-1.html"; 
 
const analyzer = UrlAnalyzer.getInstance(); 
new Crowller(analyzer, url);

urlAnalyzer.ts

import cheerio from "cheerio"; 
import fs from "fs"; 
import { Analyzer } from "./crawler1.ts"; 
 
interface objJson { 
  [propName: number]: Info[]; 
} 
interface InfoResult { 
  time: number; 
  data: Info[]; 
} 
interface Info { 
  name: string; 
  url: string; 
} 
export default class UrlAnalyzer implements Analyzer { 
  static instance: UrlAnalyzer; 
 
  static getInstance() { 
    if (!UrlAnalyzer.instance) { 
      UrlAnalyzer.instance = new UrlAnalyzer(); 
    } 
    return UrlAnalyzer.instance; 
  } 
 
  private getJsonInfo(html: string) { 
    const $ = cheerio.load(html); 
    const info: Info[] = []; 
    const scpt: string = String($(".play>script:nth-child(1)").html()); 
    const url = unescape( 
      scpt.split(";")[3].split("(")[1].split(")")[0].replace(/\"/g, "") 
    ); 
    const name: string = String($("title").html()); 
    info.push({ 
      name, 
      url, 
    }); 
    const result = { 
      time: new Date().getTime(), 
      data: info, 
    }; 
    return result; 
  } 
 
  private getJsonContent(info: InfoResult, filePath: string) { 
    let fileContent: objJson = {}; 
    if (fs.existsSync(filePath)) { 
      fileContent = JSON.parse(fs.readFileSync(filePath, "utf-8")); 
    } 
    fileContent[info.time] = info.data; 
    return fileContent; 
  } 
 
  public analyze(html: string, filePath: string) { 
     const info = this.getJsonInfo(html); 
     console.log(info); 
    const fileContent = this.getJsonContent(info, filePath); 
    return JSON.stringify(fileContent); 
  } 
 
  private constructor() {} 
}

可以在package.json文件中定义快捷启动命令。

"scripts": { 
    "dev-s": "ts-node ./src/singleton/crawler1.ts", 
 },

然后使用npm run dev-s启动即可。

结语

这下真的结束了，谢谢阅读。希望可以帮到你。

完整源码地址：

https://github.com/maomincoding/TsCrawler