基于 TypeScript/Node 从 0 到 1 搭建一款爬虫工具

基于 TypeScript/Node 从 0 到 1 搭建一款爬虫工具-51CTO.COM

2022-01-27 13:02:46

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。

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：

我们需要创建一个项目文件夹
键入命令，初始化项目

npm init -y

局部安装typescript

npm install typescript -D

接着键入命令，生成ts配置文件

tsc --init

局部安装ts-node，用于命令行输出命令

npm install -D ts-node

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。

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。

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();

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();

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();

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();

npm run dev-t

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？

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。

然后使用npm run dev-c启动即可。

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

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。

然后使用npm run dev-s启动即可。

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

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

Recommend

十大热门IT岗位薪资榜，网络安全分析师位列榜眼

用 Asciinema 记录你的终端会话

比特币、加密货币与区块链：颠覆性的共生

半数北美企业高管与雇员收到过黑客提出的协助发起勒索软件攻击请求

张一鸣卸任字节法人及执行董事、字节布局元宇宙新业务、马斯克称2022年实现全自动驾驶...

如何利用区块链技术创建安全、防篡改的文档？

苏宁易购发布业绩预告：经营恢复，EBITDA去年11月起转正

2021年我国预制菜相关企业新增注册近4000余家

美国日均新增死亡病例数已超去年秋季峰值

重金收购动视暴雪，微软如此布局元宇宙真的值吗？

About Joyk