教你nodejs爬虫制作知乎专栏RSS抓取程序

2021-02-18 07:18

阅读：619

标签：可视化渲染适配 ice init ref rom lock links

现在这个社会是信息爆炸的社会，各个网站、app上铺天盖地的都是各种新闻和信息。为了获取信息，我们每天都要进行各种麻烦的操作，打开各种网站或者手机app,操作显得低效，后来发现了一个神器，那就是RSS。

什么是RSS

RSS中文名是简易信息聚合，就是让网站一个按照一定周期更新网站的文章概要内容（有些是全文）到一个xml中。RSS订阅工具一定时间抓取这个RSS订阅源生成数据供订阅者读取网站内容。

有了RSS，你只要去订阅工具上就可以浏览你自己订阅的新的更新内容，非常简单高效。这里推荐一个RSS订阅神器inoreader，支持中文。这个我认为是目前最好的RSS订阅器。知乎专栏是一个知乎开给个人写的博客，有些专栏上面具有有价值的信息，但是很遗憾知乎专栏不提供RSS订阅，当然作为开发者来说，我们可以自己动手做一个知乎专栏RSS抓取程序。

制作爬虫

很多网站提供了RSS，但是更多网站其实没有提供RSS订阅源。我们可以使用爬虫抓取网站更新内容制作个人的RSS订阅源。我作为一个前端er可以使用nodejs来进行RSS的制作。

什么是nodejs

Node.js是一个基于Chrome JavaScript运行时建立的平台，用于方便地搭建响应速度快、易于扩展的网络应用。Node.js 使用事件驱动，非阻塞I/O 模型而得以轻量和高效，非常适合在分布式设备上运行数据密集型的实时应用。

简单的说 Node.js 就是运行在服务端的 JavaScript。使用nodejs的可以让你一个只会用JavaScript也能写后端服务代码。当然也能用它进行爬虫抓取的工作。

先安装爬虫所需依赖

进行爬取工作的话先要安装所要用到的依赖。 superagent是最常用的一个依赖库，利用它可以轻松发送各种请求。 cheerio就是一个nodejs版本的jquery,利用它可以获取网页中的各种dom结构。 data2xml就是一个json转化成xml的一个库。其他还有node-schedule和fs就是进行定时操作和文件操作。

新建一个文件夹rssmaker,并且执行npm init创建package.json。

用npm install node_modules_name --save来进行安装各种依赖。

分析知乎专栏结构获取要爬取的入口

我这次举例爬取一个专栏前端学习指南。像这种适配手机端的网页，一般都有采用发送API请求来获得数据进行前端渲染页面，我们可以用chrome的network的查看可疑的请求。打开chrome的开发者工具。我们很快就发现了一个目标。一个可疑请求https://zhuanlan.zhihu.com/api/columns/study-fe/posts?limit=20

我们得到了一个json,我们现在使用一个json的查看工具chrome的插件JSON Editor可视化这个json数据方便我们进行分析。

我们可视化后数据如下：

前面我们发现的请求发送里面有一个参数是limit,它的值是20，从上图我们知道了我们得到了20组数据，这个参数其实就是限制获取的数据条目数。我们现在分析20组里面的一条数据。

{ "isTitleImageFullScreen": false, "rating": "none", "sourceUrl": "", "publishedTime": "2016-12-28T15:01:44+08:00", "links": { "comments": "/api/posts/24606606/comments" }, "author": { "profileUrl": "https://www.zhihu.com/people/jirengu-ruo-yu", "bio": "饥人谷的挑山工 jirengu.com", "hash": "3dd61d987210ce6b0ba24746803e04bb", "uid": 33284922802176, "isOrg": false, "description": "饥人谷的挑山工 jirengu.com ", "isOrgWhiteList": false, "slug": "jirengu-ruo-yu", "avatar": { "id": "31a3446681c9040f3643472db505a6ef", "template": "https://pic4.zhimg.com/{id}_{size}.jpg" }, "name": "若愚" }, "url": "/p/24606606", "title": "前端笔试面试题库", "titleImage": "", "summary": "", "content": "

做了什么?

我们在建了 GitHub 前端笔试面试题库前端笔试面试题库，欢迎走访

为什么建前端笔试面试题库?

前端学习指南专栏专栏创建3个月有很多前端爱好者特别是入门者关注，很多小伙伴一直期待我们能做一份笔试面试题集锦分享给大家，我和方方也一直想把这个事情做好。但两个人的力量太微弱，于是想到在 github 上建立公共项目，汇集更多前端爱好者的力量一起收集前端常见笔试面试题，作为送给前端入门的小伙伴、需要找工作的小伙伴一份新年礼物??

如何贡献题目?

大家可以在【[Issue](jirengu/frontend-interview)】上通过提交Issue的形式提交日常遇到的笔试面试题，无论是多\"高端\"或者多\"低级\"。

注意:

提交 Issue 的时候需要在问题里加上问题来源，比如：`来自百度校招笔试题`，或者来自`某公司面试题`
在提交Issue 的时候需要选择合适的标签以便分类整理。目前的标签有 `HTML&CSS`、`JavaScript`、`前端框架`、`HTTP`、`未归类`，如果你不知道该选择什么标签，就选择`未归类`吧。或者可以在题目的描述里加上自己觉得应该添加的标签，项目管理者会定期更新添加新标签
当前项目的主题是 前端笔试面试题，不要把自己平时学习中的疑问放进去，要的是货真价实的笔试面试题。否则变味了就没人喜欢了

如何贡献答案?

不要吝啬自己的答案，在脑子里的答案不叫答案，只有写下来后才知道答案没那么简单，面试官真问起的时候才能对答如流

勇敢的回复自己的答案吧

觉得不错?

Star 这个项目， Watch 这个项目，分享给其他小伙伴吧

", "state": "published", "href": "/api/posts/24606606", "meta": { "previous": null, "next": null }, "commentPermission": "anyone", "snapshotUrl": "", "canComment": false, "slug": 24606606, "commentsCount": 20, "likesCount": 135 }

我们可以通过《XML那些事...》实现简单的RSS可知RSS几个关键的值。跟上图截图的对应。

我们现在知道爬取的入口，那么我们现在开始coding吧。

用superagent抓取数据组成数组

新建一个文件studyfe.js，在文件中用require引入各种依赖。然后我们用superagent获取数据后进行数组的拼装。

而在得到这个数组的时候，我们已经相当于得到了所有要采集的数据了，那下面要做的东西就很简单了，那就是json数组转化成xml格式。而转化我们我们要用到data2xml这个库。在开头我们已经require进来了。 data2xml的使用文档可以查看data2xml-npmjs.com

最后就是把数据输出到文件中去

输出到文件之后，然后要把这个文件放到服务器上，这样才能被rss服务器抓取到，如何放在服务器上这本文就不讨论了，还有一个问题就是RSS需要实时更新的，所以还有使用定时抓取，这次用到的是node-schedule。里面的定时写法其实跟linux中的crontab定时任务写法是很相似的。下面的代码其实代表着每3分钟定时执行一次。