node.js 89行爬虫爬取智联招聘信息

写在前面的话，

　　　.......写个P，直接上效果图。附上源码地址  github/lonhon

ok，正文开始，先列出用到的和require的东西：

1. node.js，这个是必须的
2. request，然发送网络请求更方便
3. bluebird，让Promise更高效
4. cheerio，像jQuery一样优雅的解析页面
5. fs，读写本地文件
6. 之前写的代理ip的爬取结果，代理池

由于自己的比较偏好数据方面，之前一直就想用python做一些爬虫的东西，奈何一直纠结2.7还是3.x（逃...

上周在看慕课网上的node教程，就跟着课程敲了一次爬虫，从慕课网上的课程开始入手，然后就开始了愉快的爬虫之路。

这两周的爬取路程如下：

慕课网所有课程含章节列表-->拉勾网招聘信息-->xiciIP的代理ip-->boss直聘招聘信息-->个人贴吧回帖记录-->最后就是这次准备讲的智联招聘的爬虫代码。

智联其实一共写了两次，有兴趣的可以在源码看看，第一版的是回调版，只能一次一页的爬取。现在讲的是promise版，能够很好的利用node的异步，快速爬取多个页面。

 

先贴出源码，在线地址可以在文首获取

"use strict";
var http = require('http')
var cheerio = require('cheerio')
var request = require('request')
var fs = require('fs')
var Promise = require('bluebird')//虽然原生已经支持，但bluebird效率更高
var iplist = require('../ip_http.json') //代理池

//发送请求，成功写入文件，失败换代理
var getHtml = function (url,ipac,ppp) {
    return new Promise(function(resolve,reject){
        if (ipac >= iplist.length){        
            console.log('page:'+ppp+'all died'); //代理用完，取消当前页面ppp的请求
            reject(url,false);
        }
        let prox = {    //设置代理
            url: url,
            proxy: 'http://' + iplist[ipac],
            timeout: 5000,
            headers: {
                'Host': 'sou.zhaopin.com',
                'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Safari/537.36'
            }
        };
        request(prox, function (err, res, body) {
            if (err) {
                reject(url)//失败，回传当前请求的页面url
            } else {
                resolve(body, url)//成功回传html和url
            }
        })
    }) 
}
//解析doc
function filterHtml(html,p,noww){
    let res = [];//存放结果集
    var $ = cheerio.load(html);
    if($('title').text().indexOf('招聘') === -1) {    //根据title判断是否被代理重定向
        iplist.splice(noww[2],1);   //删除假代理。
        return lhlh(noww[0],noww[1],noww[2]+1);
    }
    $('.newlist').each(function(item){
        res.push({
            zwmc: $(this).find('.zwmc').find('div').text().replace(/s+/g,"").replace(/
/g,''),
            gsmc: $(this).find('.gsmc').find('a').eq(0).text().replace(/s+/g,"").replace(/
/g,''),
            zwyx: $(this).find('.zwyx').text().replace(/s+/g,"").replace(/
/g,''),
            gzdd: $(this).find('.gzdd').text().replace(/s+/g,"").replace(/
/g,''),
            gxsj: $(this).find('.gxsj').find('span').text().replace(/s+/g,"").replace(/
/g,'')
        })
    })
    res.shift();//删除表头行
    if(res.length < 60){
        return lhlh(noww[0],noww[1],noww[2]+1);
    }
    return creatfile(res,p);
}
//写入本地
function creatfile(list,page) {
    var ttxt = 'page:' + page + '
';//每页标题
    list.forEach(function(el) {  //遍历数据为文本
        ttxt += el.zwmc + ','+ el.gsmc + ','+ el.zwyx + ','+ el.gzdd + ','+ el.gxsj + '
';
    });
    fs.appendFile('./' + 'zlzp-pure.txt', 'page:'+ttxt+'
' , 'utf-8', function (err) {
        if (!err) {
            let currTime = Math.round((Date.parse(new Date()) - startTime) / 1000); 
            console.log('page:' + page +' is ok:' +list.length + ',spend:' + currTime + 's' ); // page:1 is ok
        }
    })
}

//请求封装为promise
function lhlh(url,page,ipac){
    getHtml(url,ipac,page).then((html,oldurl)=>{
        let noww= [url,page,ipac]
        filterHtml(html,page,noww);
    })
    .catch((url,type = true)=>{
        if(type){
            ipac += 1;
            lhlh(url,page,ipac);
        }
    })
} 
var target = 'http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%e6%88%90%e9%83%bd&kw=web%e5%89%8d%e7%ab%af&isadv=0&sg=8cd66893b0d14261bde1e33b154456f2&p=';
let ipacc = 0;
var startTime = Date.parse(new Date());
for(let i=1; i<31; i++){
    let ourl = target + i;
    lhlh(ourl, i, 0);
}

现在说说本次爬虫的流程：

1. 循环请求爬取的页面，这里通过target和循环变量i，拼装请求链接ourl；这里由于请求的是http协议链接，所以用的http的代理，如果是https，则切换为https代理池文件。
2. 进入lhlh方法，这里是对实际发送网络请求的getHtnl方法做一个Promise的调用，也是通过递归该方法实现代理ip的切换。
3. getHtml方法，首先是对代理池是否用完做一个判断，如果溢出则终止对当前页面的爬取，然后是配置request的option+代理的设置，然后return一个promise
4. filterHtml方法，对请求回来的页面做解析，提取所需的数据
5. createfile方法，实现数据的本地存储

接下来具体解析

1、怎么发送请求？

for(let i=1; i<31; i++){
    let ourl = target + i;
    lhlh(ourl, i, 0);
}

包括头部的require、生成url、使用循环发送请求，因为request是一个异步操作，所以这里需要将url和当前请求页面page

在调用lhlh方法的时候还传入了一个0，这是一个代理池的初始值。

2.lhlh方法做了什么？

lhlh函数体内主要是对getHtml方法返回的Promise做成功和失败的处理，逻辑上是：

　　成功-->调用filterHtml，并传入请求结果

　　失败-->根据type判断异常情况 ①切换代理，重新请求 ②代理用完，取消本页请求

另外，对传入进来的url、page、代理池下标做一个闭包，传入每次的请求中

3.主角——getHtml方法，返回Promise

在一开始做一个判断，代理池是否溢出，溢出就抛出reject，

生成请求option，主要配置了代理池和Headers，目的也是为了解决网站的反爬。

接下来就是把请求发送出去，发送请求意味着有两种结果：

　　成功-->返回response，进行下一步解析

　　失败-->返回当前请求的url

4.filterHtml对response解析

这里就需要结合页面结构进行代码的编写了，先看看我们要请求的页面长什么样子：

用chrome的开发工具可以很容易看到招聘数据是放在一个class=“newlist”的table中，再结合cheerio，能够很优雅的对页面中的dom进行提取

步骤就是遍历table取出数据，然后push到result中

ps：

　　①其实这里还能够提高代码质量和效率的，就是直接生成创建txt文件所需的文本，这样就少了对数据的一次遍历，但是为了易于理解过程，还是push到result中传出了。

　　②红框中的第一个table其实是放表头的，并没有实际数据，所以代码中用了result.shift()删除了第一个元素

5.本地保存爬回来的数据

对传入的参数也就是上一步的result进行遍历，生成创建txt文件所需的字符串。

通过fs.appendFile方法就可以创建本地文件了 ，格式为：fs.appendFile 具体的用法可以百度一下。

最后在生成txt文件后打印了当前页流程走完的提示信息和所消耗的时间

PS: ①.这里其实应该存入本地数据库or生成表格文件（将数据结构化），但是由于需要搭建数据库环境or引入新的模块，故生成的是txt文件。另在createflie中遍历生成ttxt时候，我在不同数据之间插入的分隔符“,”，这样可以方便的导入到表格or数据库中

②fs.appendFile之类的文件操作是异步的。从实际情况考虑，由于每次写入的内容不同和磁盘读写性能的影响，也注定fs的文件操作是一个异步过程。

 

惯例总结

promise的目的1：把异步需要回调的东西放在异步操作外面，让js不再面条化，比如：
function c(val){
　　//本函数功能需要b的返回值才能实现
}
function b(){  放一些异步操作，返回 Promise   }
function a(){
    调用异步方法b
    b().then(function(val:resolve的返回值){
        这时候就可以直接使用c(val)
        使用原来的回调函数就必须把c方法放在async方法中执行，当回调过多的时候函数调用就会变成a(b(c(d(e(f(...))))))，层层嵌套
        而使用Promise函数调用就可以扁平为a()->b()->c()...，特别是当理解了Promise的运行步骤后，
    })
}
promise缺点：性能上和回调函数比较会逊色一些，这也是本次爬虫在node.js v-7.10.0完美实现promise的情况下还引入bluebird的主要原因。


闭包:闭包实现了面向对象中的封装。
异步操作的时候通过闭包可以获取同一个变量，而不会改变其它线程在使用的变量，这也是js实现私有变量的
比如本次爬虫中每次filterHtml解析网页完成后的结果集res，如果放在外层，则会被正在运行的其它异步操作影响，导致传入creatfile的res被影响,
再比如每次爬取的page，如果取for循环里面的i，那最后得到的是i最后的值，所以需要将i传入方法，通过闭包实现每次输出到txt文件的page是当前爬取的page。
当异步函数A、B同时在运行时，
            异步A    异步B
00:01       A=1      
00:02                A=2
00:03       A===2
*/

原创自：http://www.cnblogs.com/lonhon/p/7502893.html