這篇文章講解一下yunshare項(xiàng)目的爬蟲(chóng)模型。
使用nodejs開(kāi)發(fā)爬蟲(chóng)很簡(jiǎn)單，不需要類似python的scrapy這樣的爬蟲(chóng)框架，只需要用request或者superagent這樣的http庫(kù)就能完成大部分的爬蟲(chóng)工作了。
使用nodejs開(kāi)發(fā)爬蟲(chóng)半年左右了，爬蟲(chóng)可以很簡(jiǎn)單，也可以很復(fù)雜。簡(jiǎn)單的爬蟲(chóng)定向爬取一個(gè)網(wǎng)站，可能有個(gè)幾萬(wàn)或者幾十萬(wàn)的頁(yè)面請(qǐng)求，復(fù)雜的爬蟲(chóng)類似google bot這樣搜索引擎的蜘蛛爬蟲(chóng)，要每時(shí)每刻爬取互聯(lián)網(wǎng)上最新的內(nèi)容。
一般的個(gè)人開(kāi)發(fā)者都是用爬蟲(chóng)定向爬取一些網(wǎng)站，然后提取一些結(jié)構(gòu)化的數(shù)據(jù)，使用api接口獲取數(shù)據(jù)也可以歸到這一類。如果想簡(jiǎn)單的練習(xí)爬蟲(chóng)技術(shù)，可以嘗試爬取豆瓣電影數(shù)據(jù)和書(shū)籍?dāng)?shù)據(jù)的，使用api接口和爬取html頁(yè)面都能完成這個(gè)任務(wù)。
爬蟲(chóng)的說(shuō)白了就是一個(gè)http客戶端，通過(guò)http協(xié)議和遠(yuǎn)程http服務(wù)器通信，獲取html頁(yè)面內(nèi)容或者其他的種子文件，pdf文件等等。和瀏覽器不同的一點(diǎn)就是爬蟲(chóng)不會(huì)把抓取的內(nèi)容渲染出來(lái)，而是解析頁(yè)面內(nèi)容然后保存到數(shù)據(jù)庫(kù)里面。
在開(kāi)始學(xué)習(xí)爬蟲(chóng)的時(shí)候我考慮的是怎么爬取html頁(yè)面內(nèi)容，怎么解析html頁(yè)面之間的鏈接規(guī)則，后來(lái)遇到了頁(yè)面編碼的問(wèn)題。
統(tǒng)一utf8編碼
國(guó)內(nèi)網(wǎng)站主要是使用html和gbk這兩種編碼方式，解決編碼有兩種思路，第一個(gè)是在獲取頁(yè)面內(nèi)容的時(shí)候根據(jù)頁(yè)面的<meta charset='gbk'>編碼把內(nèi)容統(tǒng)一轉(zhuǎn)碼成utf8的，因?yàn)閚odejs字符串默認(rèn)編碼就是utf8。
這個(gè)方案充滿了不確定性。
問(wèn)題1：不同網(wǎng)站的指定編碼的方式不一樣，除了前面提到的那種方式，還有<meta http-equiv="Content-Type" content="text/html; charset=gbk">這種方式指定編碼，這個(gè)問(wèn)題還不是很大，很多的http工具庫(kù)都能正確的解析這兩種編碼，問(wèn)題是還有很多網(wǎng)站沒(méi)有指定編碼，又或者指定的編碼和文件的實(shí)際編碼不一致（遇到過(guò)真實(shí)的案例）。
問(wèn)題2：如果你把gbk編碼的html文件轉(zhuǎn)成utf8編碼保存到本地，用瀏覽器直接打開(kāi)這個(gè)文件的時(shí)候會(huì)顯示亂碼，非常不利于開(kāi)發(fā)過(guò)程中的查找問(wèn)題。
