Node.js大众点评爬虫

大众点评上有很多美食餐馆的信息，正好可以拿来练练手Node.js。

1. API分析

大众点评开放了查询商家信息的API，这里给出了城市与cityid之间的对应关系，链接http://m.api.dianping.com/searchshop.json?&regionid=0&start=0&categoryid=10&sortid=0&cityid=110以GET方式给出了餐馆的信息（JSON格式）。首先解释下GET参数的含义：

• start为步进数，表示分步获取信息的index，与nextStartIndex字段相对应；
• cityid表示城市id，比如，合肥对应于110；
• regionid表示区域id，每一个id代表含义在start=0时rangeNavs字段中有解释；
• categoryid表示搜索商家的分类id，比如，美食对应的id为10，具体每一个id的含义参见在start=0时categoryNavs字段；
• sortid表示商家结果的排序方式，比如，0对应智能排序，2对应评价最好，具体每一个id的含义参见在start=0时sortNavs字段。

在GET返回的JSON串中list字段为商家列表，id表示商家的id，作为商家的唯一标识。在返回的JSON串中是没有商家的口味、环境、服务的评分信息以及经纬度的；因而我们还需要爬取两个商家页面：http://m.dianping.com/shop/<id>、http://m.dianping.com/shop/<id>/map。

通过以上分析，确定爬取策略如下（与dianping_crawler的思路相类似）：

1. 逐步爬取searchshop API的取商家基本信息列表；
2. 通过爬取的所有商家的id，异步并发爬取评分信息、经纬度；
3. 最后将三份数据通过id做聚合，输出成json文件。

2. 爬虫实现

Node.js爬虫代码用到如下的第三方模块：

• superagent，轻量级http请求库，模仿了浏览器登录；
• cheerio，采用jQuery语法解析HTML元素，跟Python的PyQuery相类似；
• async，牛逼闪闪的异步流程控制库，Node.js的必学库。

导入依赖库：

var util = require("util");
var superagent = require("superagent");
var cheerio = require("cheerio");
var async = require("async");
var fs = require('fs');

声明全局变量，用于存放配置项及中间结果：

var cityOptions = {
  "cityId": 110, // 合肥
  // 全部商区, 蜀山区, 庐阳区, 包河区, 政务区, 瑶海区, 高新区, 经开区, 滨湖新区, 其他地区, 肥西县
  "regionIds": [0, 356, 355, 357, 8840, 354, 8839, 8841, 8843, 358, -922],
  "categoryId": 10, // 美食
  "sortId": 2, // 人气最高
  "threshHold": 5000 // 最多餐馆数
};

var idVisited = {}; // used to distinct shop
var ratingDict = {}; // id -> ratings
var posDict = {}; // id -> pos

判断一个id是否在前面出现过，若object没有该id，则为undefined（注意不是null）：

function isVisited(id) {
  if (idVisited[id] != undefined) {
    return true;
  } else {
    idVisited[id] = true;
    return false;
  }
}

采取回调函数的方式，实现顺序逐步地递归调用爬虫函数（代码结构参考了这里）：

function DianpingSpider(regionId, start, callback) {
  console.log('crawling region=', regionId, ', start =', start);
  var searchBase = 'http://m.api.dianping.com/searchshop.json?&regionid=%s&start=%s&categoryid=%s&sortid=%s&cityid=%s';
  var url = util.format(searchBase, regionId, start, cityOptions.categoryId, cityOptions.sortId, cityOptions.cityId);
  superagent.get(url)
      .end(function (err, res) {
        if (err) return console.err(err.stack);
        var restaurants = [];
        var data = JSON.parse(res.text);
        var shops = data['list'];
        shops.forEach(function (shop) {
          var restaurant = {};
          if (!isVisited(shop['id'])) {
            restaurant.id = shop['id'];
            restaurant.name = shop['name'];
            restaurant.branchName = shop['branchName'];
            var regex = /(.*?)(d+)(.*)/g;
            if (shop['priceText'].match(regex)) {
              restaurant.price = parseInt(regex.exec(shop['priceText'])[2]);
            } else {
              restaurant.price = shop['priceText'];
            }
            restaurant.star = shop['shopPower'] / 10;
            restaurant.category = shop['categoryName'];
            restaurant.region = shop['regionName'];
            restaurants.push(restaurant);
          }
        });

        var nextStart = data['nextStartIndex'];
        if (nextStart > start && nextStart < cityOptions.threshHold) {
          DianpingSpider(regionId, nextStart, function (err, restaurants2) {
            if (err) return callback(err);
            callback(null, restaurants.concat(restaurants2))
          });
        } else {
          callback(null, restaurants);
        }
      });
}

在调用爬虫函数时，采用async的mapLimit函数实现对并发的控制（代码参考这里）；采用async的until对并发的协同处理，保证三份数据结果的id一致性（不会因为并发完成时间不一致而丢数据）：

DianpingSpider(0, 0, function (err, restaurants) {
  if (err) return console.err(err.stack);
  var concurrency = 0;
  var crawlMove = function (id, callback) {
    var delay = parseInt((Math.random() * 30000000) % 1000, 10);
    concurrency++;
    console.log('current concurrency:', concurrency, ', now crawling id=', id, ', costs(ms):', delay);
    parseShop(id);
    parseMap(id);
    setTimeout(function () {
      concurrency--;
      callback(null, id);
    }, delay);
  };

  async.mapLimit(restaurants, 5, function (restaurant, callback) {
    crawlMove(restaurant.id, callback)
  }, function (err, ids) {
    console.log('crawled ids:', ids);
    var resultArray = [];
    async.until(
        function () {
          return restaurants.length === Object.keys(ratingDict).length && restaurants.length === Object.keys(posDict).length
        },
        function (callback) {
          setTimeout(function () {
            callback(null)
          }, 1000)
        },
        function (err) {
          restaurants.forEach(function (restaurant) {
            var rating = ratingDict[restaurant.id];
            var pos = posDict[restaurant.id];
            var result = Object.assign(restaurant, rating, pos);
            resultArray.push(result);
          });
          writeAsJson(resultArray);
        }
    );
  });
});

其中，parseShop与parseMap分别为解析商家详情页、商家地图页：

function parseShop(id) {
  var shopBase = 'http://m.dianping.com/shop/%s';
  var shopUrl = util.format(shopBase, id);
  superagent.get(shopUrl)
      .end(function (err, res) {
        if (err) return console.err(err.stack);
        console.log('crawling shop:', shopUrl);
        var restaurant = {};
        var $ = cheerio.load(res.text);
        var desc = $("div.shopInfoPagelet > div.desc > span");
        restaurant.taste = desc.eq(0).text().split(":")[1];
        restaurant.surrounding = desc.eq(1).text().split(":")[1];
        restaurant.service = desc.eq(2).text().split(":")[1];
        ratingDict[id] = restaurant;
      });
}

function parseMap(id) {
  var mapBase = 'http://m.dianping.com/shop/%s/map';
  var mapUrl = util.format(mapBase, id);
  superagent.get(mapUrl)
      .end(function (err, res) {
        if (err) return console.err(err.stack);
        console.log('crawling map:', mapUrl);
        var restaurant = {};
        var $ = cheerio.load(res.text);
        var data = $("body > script").text();
        var latRegex = /(.*lat:)(d+.d+)(.*)/;
        var lngRegex = /(.*lng:)(d+.d+)(.*)/;
        if(data.match(latRegex) && data.match(lngRegex)) {
          restaurant.latitude = latRegex.exec(data)[2];
          restaurant.longitude = lngRegex.exec(data)[2];
        }else {
          restaurant.latitude = '';
          restaurant.longitude = '';
        }
        posDict[id] = restaurant;
      });
}

将array的每一个商家信息，逐行写入到json文件中：

function writeAsJson(arr) {
  fs.writeFile(
      'data.json',
      arr.map(function (data) {
        return JSON.stringify(data);
      }).join('
'),
      function (err) {
        if (err) return err.stack;
      })
}

---

说点感想：Node.js天生支持并发，但是对于习惯了顺序编程的人，一开始会对Node.js不适应，比如，变量作用域是函数块式的（与C、Java不一样）；for循环体（{}）内引用i的值实际上是循环结束之后的值，因而引起各种undefined的问题；嵌套函数时，内层函数的变量并不能及时传导到外层（因为是异步）等等。