我一直覺得，爬蟲是許多web開發人員難以迴避的點。我們也應該或多或少的去接觸這方面，因爲可以從爬蟲中學習到web開發中應當掌握的一些基本知識。而且，它還很有趣。
作者：Nick Bourdakos
我一直覺得，爬蟲是許多web開發人員難以迴避的點。我們也應該或多或少的去接觸這方面，因爲可以從爬蟲中學習到web開發中應當掌握的一些基本知識。而且，它還很有趣。
我是一個知乎輕微重度用戶，之前寫了一隻爬蟲幫我爬取並分析它的數據，我感覺這個過程還是挺有意思，因爲這是一個不斷給自己創造問題又去解決問題的過程。其中遇到了一些點，今天總結一下跟大家分享分享。
它都爬了什麼?
先簡單介紹下我的爬蟲。它能夠定時抓取一個問題的關注量、瀏覽量、回答數，以便於我將這些數據繪成圖表展現它的熱點趨勢。爲了不讓我錯過一些熱門事件，它還會定時去獲取我關注話題下的熱門問答，並推送到我的郵箱。
作爲一個前端開發人員，我必須爲這個爬蟲系統做一個界面，能讓我登陸知乎帳號，添加關注的題目、話題，看到可視化的數據。所以這隻爬蟲還有登陸知乎、搜索題目的功能。
然後來看下界面。
下面正兒八經講它的開發歷程。
技術選型
Python得益於其簡單快捷的語法、以及豐富的爬蟲庫，一直是爬蟲開發人員的首選。可惜我不熟。當然最重要的是，作爲一名前端開發人員，node能滿足爬蟲需求的話，自然更是首選。而且隨着node的發展，也有許多好用的爬蟲庫，甚至有puppeteer這樣直接能模擬Chrome訪問網頁的工具的推出，node在爬蟲方面應該是妥妥能滿足我所有的爬蟲需求了。
於是我選擇從零搭建一個基於koa2的服務端。爲什麼不直接選擇egg，express，thinkjs這些更加全面的框架呢?因爲我愛折騰嘛。而且這也是一個學習的過程。如果以前不瞭解node，又對搭建node服務端有興趣，可以看我之前的一篇文章-從零搭建Koa2 Server。
爬蟲方面我選擇了request+cheerio。雖然知乎有很多地方用到了react，但得益於它絕大部分頁面還是服務端渲染，所以只要能請求網頁與接口(request)，解析頁面(cherrio)即可滿足我的爬蟲需求。
其他不一一舉例了，我列個技術棧
服務端
koajs 做node server框架；
request + cheerio 做爬蟲服務；
mongodb 做數據存儲；
node-schedule 做任務調度；
nodemailer 做郵件推送。
客戶端
vuejs 前端框架；
museui Material Design UI庫；
chart.js 圖表庫。
技術選型妥善後，我們就要關心業務了。首要任務就是真正的爬取到頁面。
如何能爬取網站的數據?
知乎並沒有對外開放接口能讓用戶獲取數據，所以想獲取數據，就得自己去爬取網頁信息。我們知道即使是網頁，它本質上也是個GET請求的接口，我們只要在服務端去請求對應網頁的地址(客戶端請求會跨域)，再把html結構解析下，獲取想要的數據即可。
那爲什麼我要搞一個登陸呢?因爲非登陸帳號獲取信息，知乎只會展現有限的數據，而且也無法得知自己知乎帳戶關注的話題、問題等信息。而且若是想自己的系統也給其他朋友使用，也必須搞一個帳戶系統。
模擬登陸
大家都會用Chrome等現代瀏覽器看請求信息，我們在知乎的登錄頁進行登陸，然後查看捕獲接口信息就能知道，登陸無非就是向一個登陸api發送賬戶、密碼等信息，如果成功。服務端會向客戶端設置一個cookie，這個cookie即是登陸憑證。
所以我們的思路也是如此，通過爬蟲服務端去請求接口，帶上我們的帳號密碼信息，成功後再將返回的cookie存到我們的系統數據庫，以後再去爬取其他頁面時，帶上此cookie即可。
當然，等我們真正嘗試時，會受到更多挫折，因爲會遇到token、驗證碼等問題。不過，由於我們有客戶端了，可以將驗證碼的識別交給真正的人，而不是服務端去解析圖片字符，這降低了我們實現登陸的難度。
一波三折的是，即使你把正確驗證碼提交了，還是會提示驗證碼錯誤。如果我們自己做過驗證碼提交的系統就能夠迅速的定位原因。如果沒做過，我們再次查看登陸時涉及的請求與響應，我們也能猜到：
在客戶端獲取驗證碼時，知乎服務端還會往客戶端設置一個新cookie，提交登陸請求時，必須把驗證碼與此cookie一同提交，來驗證此次提交的驗證碼確實是當時給予用戶的驗證碼。
語言描述有些繞，我以圖的形式來表達一個登陸請求的完整流程。
注：我編寫爬蟲時，知乎還部分採取圖片字符驗證碼，現已全部改爲“點擊倒立文字”的形式。這樣會加大提交正確驗證碼的難度，但也並非無計可施。獲取圖片後，由人工識別並點擊倒立文字，將點擊的座標提交到登陸接口即可。當然有興趣有能力的同學也可以自己編寫算法識別驗證碼。
爬取數據
上一步中，我們已經獲取到了登陸後的憑證cookie。用戶登陸成功後，我們把登陸的帳戶信息與其憑證cookie存到mongo中。以後此用戶發起的爬取需求，包括對其跟蹤問題的數據爬取都根據此cookie爬取。
當然cookie是有時間期限的，所以當我們存cookie時，應該把過期時間也記錄下來，當後面再獲取此cookie時，多加一步過期校驗，若過期了則返回過期提醒。
爬蟲的基礎搞定後，就可以真正去獲取想要的數據了。我的需求是想知道某個知乎問題的熱點趨勢。先用瀏覽器去看看一個問題頁面下都有哪些數據，可以被我爬取分析。舉個例子，比如這個問題：有哪些令人拍案叫絕的推理橋段。
打開鏈接後，頁面上最直接展現出來的有關注者，被瀏覽，1xxxx個回答，還要默認展示的幾個高贊回答及其點贊評論數量。右鍵查看網站源代碼，確認這些數據是服務端渲染出來的，我們就可以通過request請求網頁，再通過cherrio，使用css選擇器定位到數據節點，獲取並存儲下來。代碼示例如下：
async getData (cookie, qid) {
const options = {
url: `${zhihuRoot}/question/${qid}`,
method: 'GET',
headers: {
'Cookie': cookie,
'Accept-Encoding': 'deflate, sdch, br' // 不允許gzip,開啓gzip會開啓知乎客戶端渲染，導致無法爬取
}
}
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(' 個回答', ''))
}
}
}
這樣我們就爬取了一個問題的數據，只要我們能夠按一定時間間隔不斷去執行此方法獲取數據，最終我們就能繪製出一個題目的數據曲線，分析起熱點趨勢。
那麼問題來了，如何去做這個定時任務呢?
定時任務
我使用了node-schedule做任務調度。如果之前做過定時任務的同學，可能對其類似cron的語法比較熟悉，不熟悉也沒關係，它提供了not-cron-like的，更加直觀的設置去配置任務，看下文檔就能大致瞭解。
當然這個定時任務不是簡單的不斷去執行上述的爬取方法getData。因爲這個爬蟲系統不僅是一個用戶，一個用戶不僅只跟蹤了一個問題。
所以我們此處的完整任務應該是遍歷系統的每個cookie未過期用戶，再遍歷每個用戶的跟蹤問題，再去獲取這些問題的數據。
系統還有另外兩個定時任務，一個是定時爬取用戶關注話題的熱門回答，另一個是推送這個話題熱門回答給相應的用戶。這兩個任務跟上述任務大致流程一樣，就不細講了。
但是在我們做定時任務時會有個細節問題，就是如何去控制爬取時的併發問題。具體舉例來說：如果爬蟲請求併發太高，知乎可能是會限制此IP的訪問的，所以我們需要讓爬蟲請求一個一個的，或者若干個若干個的進行。
簡單思考下，我們會採取循環await。我不假思索的寫下了如下代碼：
// 爬蟲方法
async function getQuestionData () {
// do spider action
}
// questions爲獲取到的關注問答
questions.forEach(await getQuestionData)
然而執行之後，我們會發現這樣其實還是併發執行的，爲什麼呢?其實仔細想下就明白了。forEach只是循環的語法糖，如果沒有這個方法，讓你來實現它，你會怎麼寫呢?你大概也寫的出來：
Array.prototype.forEach = function (callback) {
for (let i = 0; i < this.length; i++) {
callback(this[i], i, this)
}
}
雖然forEach本身會更復雜點，但大致就是這樣吧。這時候我們把一個異步方法作爲參數callback傳遞進去，然後循環執行它，這個執行依舊是併發執行，並非是同步的。
所以我們如果想實現真正的同步請求，還是需要用for循環去執行，如下：
async function getQuestionData () {
// do spider action
}
for (let i = 0; i < questions.length; i++) {
await getQuestionData()
}
除了for循環，還可以通過for-of，如果對這方面感興趣，可以去多瞭解下數組遍歷的幾個方法，順便研究下ES6的迭代器Iterator。
其實如果業務量大，即使這樣做也是不夠的。還需要更加細分任務顆粒度，甚至要加代理IP來分散請求。
合理搭建服務端
下面說的點跟爬蟲本身沒有太大關係了，屬於服務端架構的一些分享，如果只關心爬蟲本身的話，可以不用再往下閱讀了。
我們把爬蟲功能都寫的差不多了，後面只要編寫相應的路由，能讓前端訪問到數據就好了。但是編寫一個沒那麼差勁的服務端，還是需要我們深思熟慮的。
合理分層
我看過一些前端同學寫的node服務，經常就會把系統所有的接口(router action)都寫到一個文件中，好一點的會根據模塊分幾個對於文件。
但是如果我們接觸過其他成熟的後端框架、或者大學學過一些J2EE等知識，就會本能意識的進行一些分層：
model 數據層。負責數據持久化，通俗說就是連接數據庫，對應數據庫表的實體數據模型;
service 業務邏輯層。顧名思義，就是負責實現各種業務邏輯。
controller 控制器。調取業務邏輯服務，實現數據傳遞，返回客戶端視圖或數據。
當然也有些框架或者人會將業務邏輯service實現在controller中，亦或者是model層中。我個人認爲一個稍微複雜的項目，應該是單獨抽離出抽象的業務邏輯的。
比如在我這個爬蟲系統中，我將數據庫的添刪改查操作按model層對應抽離出service，另外再將爬取頁面的服務、郵件推送的服務、用戶鑑權的服務抽離到對應的service。
最終我們的api能夠設計的更加易讀，整個系統也更加易拓展。
分層在koa上的實踐
如果是直接使用一個成熟的後端框架，分層這事我們是不用多想的。node這樣的框架也有，我之前介紹的我廠開源的api-mocker採用的egg.js，也幫我們做好了合理的分層。
但是如果自己基於koa從零搭建一個服務端，在這方面上就會遇到一些挫折。koa本身邏輯非常簡單，就是調取一系列中間件(就是一個個function)，來處理請求。官方自己提供的koa-router，即是幫助我們識別請求路徑，然後加載對應的接口方法。
我們爲了區分業務模塊，會把一些接口方法寫在同一個controller中，比如我的questionController負責處理問題相關的接口;topicController負責處理話題相關的接口。
那麼我們可能會這樣編寫路由文件：
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文件可能是這樣寫的：
class Question {
async get () {
// return data
}
async create () {
// create question and return data
}
}
module.exports = new Question()
那麼問題就來了
單純這樣寫是沒有辦法真正的以面向對象的形式來編寫controller的。爲什麼呢?
因爲我們將question對象的屬性方法作爲中間件傳遞到了koa-router中，然後由koa底層來合併這些中間件方法，作爲參數傳遞到http.createServer方法中，最終由node底層監聽請求時調用。那這個this到底會是誰，不進行調試，或者查看koa與node源代碼，是無從得知的。但是無論如何方法調用者肯定不是這個對象自身了(實際上它會是undefined)。
也就是說，我們不能通過this來獲取對象自身的屬性或方法。
那怎麼辦呢?有的同學可能會選擇將自身一些公共方法，直接寫在class外部，或者寫在某個utils文件中，然後在接口方法中使用。比如這樣：
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()
這樣確實ok，但是又會有新的問題—這些方法就不是對象自己的屬性，也就沒辦法被子類繼承了。
爲什麼需要繼承呢?因爲有時候我們希望一些不同的controller有着公共的方法或屬性，舉個例子：我希望我所有的成功or失敗都是這樣的格式：
{
success: false,
message: '對應的錯誤消息'
}
{
success: true,
data: '對應的數據'
}
按照koa的核心思想，這個通用的格式轉化，應該是專門編寫一箇中間件，在路由中間件之後(即執行完controller裏的方法之後)去做專門處理並response。
然而這樣會導致每有一個公共方法，就必須要加一箇中間件。而且controller本身已經失去了對這些方法的控制權。這個中間件是執行自身還是直接next()將會非常難判斷。
如果是抽離成utils方法再引用，也不是不可以，就是方法多的話，聲明引用稍微麻煩些，而且沒有抽象類的意義。
更理想的狀態應該是如剛纔所說的，大家都繼承一個抽象的父類，然後去調用父類的公共相應方法即可，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)
}
}
這樣就方便多了，不過如果寫過koa的人可能會有這樣的煩惱，一個上下文ctx總是要作爲參數傳遞來傳遞去。比如上述控制器的所有中間件方法都得傳ctx參數，調用父類方法時，又要傳它，還會使得方法損失一些可讀性。
所以總結一下，我們有如下問題：
controller中的方法無法調用自身的其他方法、屬性;
調用父類方法時，需要傳遞上下文參數ctx。
解決它
其實解決的辦法很簡單，我們只要想辦法讓controller方法中的this指向實例化對象自身，再把ctx掛在到這個this上即可。
怎麼做呢?我們只要再封裝一下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
大意就是在路由傳遞controller方法時，將controller自身與ctx合併，通過bind指定該方法的this。這樣我們就能通過this獲取方法所屬controller對象的其他方法。此外子類方法與父類方法也能通過this.ctx來獲取上下文對象ctx。
但是bind之前我們其實應該考慮以下，其他中間件以及koa本身會不會也幹了類似的事，修改了this的值。如何判斷呢，兩個辦法：
調試。在我們未bind之前，在中間件方法中打印一下this，是undefined的話自然就沒被綁定。
看koa-router/koa/node的源代碼。
事實是，自然是沒有的。那我們就放心的bind吧。
寫在最後
上述大概就是編寫這個小工具時，遇到的一些點，感覺可以總結的。也並沒有什麼技術難點，不過可以藉此學習學習一些相關的知識，包括網站安全、爬與反爬、、koa底層原理等等。
這個工具本身非常的個人色彩，不一定滿足大家的需要。而且它在半年前就寫好了，只不過最近被我挖墳拿出來總結。而且就在我即將寫完文章時，我發現知乎提示我的賬號不安全了。我估計是以爲同一IP同一賬戶發起過多的網絡請求，我這臺服務器IP已經被認爲是不安全的IP了，在這上面登錄的賬戶都會被提示不安全。所以我不建議大家將其直接拿來使用。
當然，如果還是對其感興趣，本地測試下或者學習使用，還是沒什麼大問題的。或者還有更深的興趣的話，可以自己嘗試去繞開知乎的安全策略。
爲此我在這裏爲大家準備了一些資料，希望對大家有幫助，需要的話可以加我QQ：3300863615 免費領取哦
