一只node爬虫的升级打怪之路

作者：Nick Bourdakos

我一直觉得，爬虫是许多web开发人员难以回避的点。我们也应该或多或少的去接触这方面，因为可以从爬虫中学习到web开发中应当掌握的一些基本知识。而且，它还很有趣。

我是一个知乎轻微重度用户，之前写了一只爬虫帮我爬取并分析它的数据，我感觉这个过程还是挺有意思，因为这是一个不断给自己创造问题又去解决问题的过程。其中遇到了一些点，今天总结一下跟大家分享分享。

它都爬了什么？

先简单介绍下我的爬虫。它能够定时抓取一个问题的关注量、浏览量、回答数，以便于我将这些数据绘成图表展现它的热点趋势。为了不让我错过一些热门事件，它还会定时去获取我关注话题下的热门问答，并推送到我的邮箱。

作为一个前端开发人员，我必须为这个爬虫系统做一个界面，能让我登陆知乎帐号，添加关注的题目、话题，看到可视化的数据。所以这只爬虫还有登陆知乎、搜索题目的功能。

然后来看下界面。

下面正儿八经讲它的开发历程。

技术选型

Python得益于其简单快捷的语法、以及丰富的爬虫库，一直是爬虫开发人员的首选。可惜我不熟。当然最重要的是，作为一名前端开发人员，node能满足爬虫需求的话，自然更是首选。而且随着node的发展，也有许多好用的爬虫库，甚至有puppeteer这样直接能模拟Chrome访问网页的工具的推出，node在爬虫方面应该是妥妥能满足我所有的爬虫需求了。

于是我选择从零搭建一个基于koa2的服务端。为什么不直接选择egg，express，thinkjs这些更加全面的框架呢？因为我爱折腾嘛。而且这也是一个学习的过程。如果以前不了解node，又对搭建node服务端有兴趣，可以看我之前的一篇文章-从零搭建Koa2 Server。

爬虫方面我选择了request+cheerio。虽然知乎有很多地方用到了react，但得益于它绝大部分页面还是服务端渲染，所以只要能请求网页与接口（request），解析页面（cherrio）即可满足我的爬虫需求。

其他不一一举例了，我列个技术栈

服务端

客户端

技术选型妥善后，我们就要关心业务了。首要任务就是真正的爬取到页面。

如何能爬取网站的数据？

知乎并没有对外开放接口能让用户获取数据，所以想获取数据，就得自己去爬取网页信息。我们知道即使是网页，它本质上也是个GET请求的接口，我们只要在服务端去请求对应网页的地址（客户端请求会跨域），再把html结构解析下，获取想要的数据即可。

那为什么我要搞一个登陆呢？因为非登陆帐号获取信息，知乎只会展现有限的数据，而且也无法得知自己知乎帐户关注的话题、问题等信息。而且若是想自己的系统也给其他朋友使用，也必须搞一个帐户系统。

模拟登陆

大家都会用Chrome等现代浏览器看请求信息，我们在知乎的登录页进行登陆，然后查看捕获接口信息就能知道，登陆无非就是向一个登陆api发送账户、密码等信息，如果成功。服务端会向客户端设置一个cookie，这个cookie即是登陆凭证。

所以我们的思路也是如此，通过爬虫服务端去请求接口，带上我们的帐号密码信息，成功后再将返回的cookie存到我们的系统数据库，以后再去爬取其他页面时，带上此cookie即可。

当然，等我们真正尝试时，会受到更多挫折，因为会遇到token、验证码等问题。不过，由于我们有客户端了，可以将验证码的识别交给真正的人，而不是服务端去解析图片字符，这降低了我们实现登陆的难度。

一波三折的是，即使你把正确验证码提交了，还是会提示验证码错误。如果我们自己做过验证码提交的系统就能够迅速的定位原因。如果没做过，我们再次查看登陆时涉及的请求与响应，我们也能猜到：

在客户端获取验证码时，知乎服务端还会往客户端设置一个新cookie，提交登陆请求时，必须把验证码与此cookie一同提交，来验证此次提交的验证码确实是当时给予用户的验证码。

语言描述有些绕，我以图的形式来表达一个登陆请求的完整流程。

注：我编写爬虫时，知乎还部分采取图片字符验证码，现已全部改为“点击倒立文字”的形式。这样会加大提交正确验证码的难度，但也并非无计可施。获取图片后，由人工识别并点击倒立文字，将点击的坐标提交到登陆接口即可。当然有兴趣有能力的同学也可以自己编写算法识别验证码。

爬取数据

上一步中，我们已经获取到了登陆后的凭证cookie。用户登陆成功后，我们把登陆的帐户信息与其凭证cookie存到mongo中。以后此用户发起的爬取需求，包括对其跟踪问题的数据爬取都根据此cookie爬取。

当然cookie是有时间期限的，所以当我们存cookie时，应该把过期时间也记录下来，当后面再获取此cookie时，多加一步过期校验，若过期了则返回过期提醒。

爬虫的基础搞定后，就可以真正去获取想要的数据了。我的需求是想知道某个知乎问题的热点趋势。先用浏览器去看看一个问题页面下都有哪些数据，可以被我爬取分析。举个例子，比如这个问题：有哪些令人拍案叫绝的推理桥段。

打开链接后，页面上最直接展现出来的有关注者，被浏览，1xxxx个回答，还要默认展示的几个高赞回答及其点赞评论数量。右键查看网站源代码，确认这些数据是服务端渲染出来的，我们就可以通过request请求网页，再通过cherrio，使用css选择器定位到数据节点，获取并存储下来。代码示例如下：

async getData (cookie, qid) {  const options = {    url: `${zhihuRoot}/question/${qid}`,    method: 'GET',    headers: {      'Cookie': cookie,      'Accept-Encoding': 'deflate, sdch, br' // 不允许gzip,开启gzip会开启知乎客户端渲染，导致无法爬取    }  }  const rs = await this.request(options)  if (rs.error) {    return this.failRequest(rs)  }  const $ = cheerio.load(rs)  const NumberBoard = $('.NumberBoard-item .NumberBoard-value')  const $title = $('.QuestionHeader-title')  $title.find('button').remove()  return {    success: true,    title: $title.text(),    data: {      qid: qid,      followers: Number($(NumberBoard[0]).text()),      readers: Number($(NumberBoard[1]).text()),      answers: Number($('h4.List-headerText span').text().replace(' 个回答', ''))    }  }}

这样我们就爬取了一个问题的数据，只要我们能够按一定时间间隔不断去执行此方法获取数据，最终我们就能绘制出一个题目的数据曲线，分析起热点趋势。

那么问题来了，如何去做这个定时任务呢？

定时任务

我使用了node-schedule做任务调度。如果之前做过定时任务的同学，可能对其类似cron的语法比较熟悉，不熟悉也没关系，它提供了not-cron-like的，更加直观的设置去配置任务，看下文档就能大致了解。

当然这个定时任务不是简单的不断去执行上述的爬取方法getData。因为这个爬虫系统不仅是一个用户，一个用户不仅只跟踪了一个问题。

所以我们此处的完整任务应该是遍历系统的每个cookie未过期用户，再遍历每个用户的跟踪问题，再去获取这些问题的数据。

系统还有另外两个定时任务，一个是定时爬取用户关注话题的热门回答，另一个是推送这个话题热门回答给相应的用户。这两个任务跟上述任务大致流程一样，就不细讲了。

但是在我们做定时任务时会有个细节问题，就是如何去控制爬取时的并发问题。具体举例来说：如果爬虫请求并发太高，知乎可能是会限制此IP的访问的，所以我们需要让爬虫请求一个一个的，或者若干个若干个的进行。

简单思考下，我们会采取循环await。我不假思索的写下了如下代码：

// 爬虫方法async function getQuestionData () {  // do spider action}// questions为获取到的关注问答questions.forEach(await getQuestionData)

然而执行之后，我们会发现这样其实还是并发执行的，为什么呢？其实仔细想下就明白了。forEach只是循环的语法糖，如果没有这个方法，让你来实现它，你会怎么写呢？你大概也写的出来：

Array.prototype.forEach = function (callback) {  for (let i = 0; i < this.length; i++) {    callback(this[i], i, this)  }}

虽然forEach本身会更复杂点，但大致就是这样吧。这时候我们把一个异步方法作为参数callback传递进去，然后循环执行它，这个执行依旧是并发执行，并非是同步的。

所以我们如果想实现真正的同步请求，还是需要用for循环去执行，如下：

async function getQuestionData () {  // do spider action}for (let i = 0; i < questions.length; i++) {  await getQuestionData()}

除了for循环，还可以通过for-of，如果对这方面感兴趣，可以去多了解下数组遍历的几个方法，顺便研究下ES6的迭代器Iterator。

其实如果业务量大，即使这样做也是不够的。还需要更加细分任务颗粒度，甚至要加代理IP来分散请求。

合理搭建服务端

下面说的点跟爬虫本身没有太大关系了，属于服务端架构的一些分享，如果只关心爬虫本身的话，可以不用再往下阅读了。

我们把爬虫功能都写的差不多了，后面只要编写相应的路由，能让前端访问到数据就好了。但是编写一个没那么差劲的服务端，还是需要我们深思熟虑的。

合理分层

我看过一些前端同学写的node服务，经常就会把系统所有的接口（router action）都写到一个文件中，好一点的会根据模块分几个对于文件。

但是如果我们接触过其他成熟的后端框架、或者大学学过一些J2EE等知识，就会本能意识的进行一些分层：

当然也有些框架或者人会将业务逻辑service实现在controller中，亦或者是model层中。我个人认为一个稍微复杂的项目，应该是单独抽离出抽象的业务逻辑的。

比如在我这个爬虫系统中，我将数据库的添删改查操作按model层对应抽离出service，另外再将爬取页面的服务、邮件推送的服务、用户鉴权的服务抽离到对应的service。

最终我们的api能够设计的更加易读，整个系统也更加易拓展。

分层在koa上的实践

如果是直接使用一个成熟的后端框架，分层这事我们是不用多想的。node这样的框架也有，我之前介绍的我厂开源的api-mocker采用的egg.js，也帮我们做好了合理的分层。

但是如果自己基于koa从零搭建一个服务端，在这方面上就会遇到一些挫折。koa本身逻辑非常简单，就是调取一系列中间件（就是一个个function），来处理请求。官方自己提供的koa-router，即是帮助我们识别请求路径，然后加载对应的接口方法。

我们为了区分业务模块，会把一些接口方法写在同一个controller中，比如我的questionController负责处理问题相关的接口；topicController负责处理话题相关的接口。

那么我们可能会这样编写路由文件：

const Router = require('koa-router')const router = new Router()const question = require('./controller/question')const topic = require('./controller/topic')router.post('/api/question', question.create)router.get('/api/question', question.get)router.get('/api/topic', topic.get)router.post('/api/topic/follow', topic.follow)module.exports = router

我的question文件可能是这样写的：

class Question {  async get () {    // return data  }  async create () {    // create question and return data  }}module.exports = new Question()

那么问题就来了

单纯这样写是没有办法真正的以面向对象的形式来编写controller的。为什么呢？

因为我们将question对象的属性方法作为中间件传递到了koa-router中，然后由koa底层来合并这些中间件方法，作为参数传递到http.createServer方法中，最终由node底层监听请求时调用。那这个this到底会是谁，不进行调试，或者查看koa与node源代码，是无从得知的。但是无论如何方法调用者肯定不是这个对象自身了（实际上它会是undefined）。

也就是说，我们不能通过this来获取对象自身的属性或方法。

那怎么办呢？有的同学可能会选择将自身一些公共方法，直接写在class外部，或者写在某个utils文件中，然后在接口方法中使用。比如这样：

const error = require('utils/error')const success = (ctx, data) => {  ctx.body = {    success: true,    data: data  }}class Question {  async get () {    success(data)  }  async create () {    error(result)  }}module.exports = new Question()

这样确实ok，但是又会有新的问题—这些方法就不是对象自己的属性，也就没办法被子类继承了。

为什么需要继承呢？因为有时候我们希望一些不同的controller有着公共的方法或属性，举个例子：我希望我所有的成功or失败都是这样的格式：

{  success: false,  message: '对应的错误消息'}{  success: true,  data: '对应的数据'}

按照koa的核心思想，这个通用的格式转化，应该是专门编写一个中间件，在路由中间件之后（即执行完controller里的方法之后）去做专门处理并response。

然而这样会导致每有一个公共方法，就必须要加一个中间件。而且controller本身已经失去了对这些方法的控制权。这个中间件是执行自身还是直接next()将会非常难判断。

如果是抽离成utils方法再引用，也不是不可以，就是方法多的话，声明引用稍微麻烦些，而且没有抽象类的意义。

更理想的状态应该是如刚才所说的，大家都继承一个抽象的父类，然后去调用父类的公共相应方法即可，如:

class AbstractController {  success (ctx, data) {    ctx.body = {      success: true,      data: data    }  }  error (ctx, error) {    ctx.body = {      success: false,      msg: error    }  }}class Question extends AbstractController {  async get (ctx) {    const data = await getData(ctx.params.id)    return super.success(ctx, data)  }}

这样就方便多了，不过如果写过koa的人可能会有这样的烦恼，一个上下文ctx总是要作为参数传递来传递去。比如上述控制器的所有中间件方法都得传ctx参数，调用父类方法时，又要传它，还会使得方法损失一些可读性。

所以总结一下，我们有如下问题：

解决它

其实解决的办法很简单，我们只要想办法让controller方法中的this指向实例化对象自身，再把ctx挂在到这个this上即可。

怎么做呢？我们只要再封装一下koa-router就好了，如下所示：

const Router = require('koa-router')const router = new Router()const question = require('./controller/question')const topic = require('./controller/topic')const routerMap = [  ['post', '/api/question', question, 'create'],  ['get', '/api/question', question, 'get'],  ['get', '/api/topic', topic, 'get'],  ['post', '/api/topic/follow', topic, 'follow']]routerMap.map(route => {  const [ method, path, controller, action ] = route  router[method](path, async (ctx, next) =>    controller[action].bind(Object.assign(controller, { ctx }))(ctx, next)  )})module.exports = router

大意就是在路由传递controller方法时，将controller自身与ctx合并，通过bind指定该方法的this。这样我们就能通过this获取方法所属controller对象的其他方法。此外子类方法与父类方法也能通过this.ctx来获取上下文对象ctx。

但是bind之前我们其实应该考虑以下，其他中间件以及koa本身会不会也干了类似的事，修改了this的值。如何判断呢，两个办法：

事实是，自然是没有的。那我们就放心的bind吧。

写在最后

上述大概就是编写这个小工具时，遇到的一些点，感觉可以总结的。也并没有什么技术难点，不过可以借此学习学习一些相关的知识，包括网站安全、爬与反爬、、koa底层原理等等。

这个工具本身非常的个人色彩，不一定满足大家的需要。而且它在半年前就写好了，只不过最近被我挖坟拿出来总结。而且就在我即将写完文章时，我发现知乎提示我的账号不安全了。我估计是以为同一IP同一账户发起过多的网络请求，我这台服务器IP已经被认为是不安全的IP了，在这上面登录的账户都会被提示不安全。所以我不建议大家将其直接拿来使用。

当然，如果还是对其感兴趣，本地测试下或者学习使用，还是没什么大问题的。或者还有更深的兴趣的话，可以自己尝试去绕开知乎的安全策略。

生成海报

• 蜜度索骥：以跨模态检索技术助力“企宣”向上生长
• 2025年全球网络安全支出将激增15% | 行业观察
• 华为数据存储两大新品齐发：全面闪存化，全面向AI
• 数据中心太耗电，微软携手Constellation Energy探索核能供电新途径
• 戴尔一周内发生两起数据泄露事件，Atlassian工具成泄露源头
• 华为ICT学院年会2024举办，ICT学院3.0计划正式启航
• 华为启动全球金融伙伴“融海计划”，共创行业新价值
• 华为联合多家伙伴发布《现代化金融核心系统白皮书：实践篇》
• 华为发布数据智能解决方案5.0，加速金融大模型应用从“赋能”到“产能”
• 华为加速推动鲲鹏昇腾原生创新，未来三年赋能百万原生人才
• 第九届华为ICT大赛中国赛区报名通道开启，大赛真题集首发

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。