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。想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
,他的值是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": "http://img2.jintiankansha.me/get2?src=http://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。
在一个RSS文档的开头是一个rss>节和一个规定属性version,该属性规定了该文档将已RSS的哪个版本表示。
如果该文档以这个规范来表示,那么它的version属性就必须等于2.0。
在一个rss>节点的下一级是一个独立的channel>节点,该节点包含关于channel的信息和内容。(这个是必要的节点)内容信息使用item>节点表示,item>的子节点有title、link、author、pubDate、description。
以下标签是我们必须遵守的:
rss:每个RSS Feed,都有而且只能有一个rss标签,作为顶层元素
channel:在RSS标签下,必须有且只能有一个channel标签
item:可以出现多个item,每个item,描述一条日志信息
title:日志的标题
link:日志的URL访问地址
author:日志的作者
pubDate:日志的发布日期
description:日志的内容
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。
//引入superagent库const superagent = require('superagent'); //json 2 xmlconst convert = require('data2xml')({
attrProp: '@', valProp: '#', cdataProp: '%'});// 定时抓取const schedule = require('node-schedule'); // 写入文件操作const fs = require('fs');var grabWeb = superagent.get('https://zhuanlan.zhihu.com/api/columns/study-fe/posts?limit=20')
.end(function (err, sres) { // 常规的错误处理
if (err || !sres.ok) {
} let content = sres.text;
content = eval('(' + content + ')'); let items = []; //拼接RSS的item数组内容
for (let contenItem of content) { //拼接封面图
let detailc = ' + ''">' + contenItem.content.replace(/src=\\?"(.*?)\.(jpg|png|jpeg|bmp|gif)\\?"/g, 'src="http://img2.jintiankansha.me/get2?src=http://pic1.zhimg.com/' + '$1' + '.' + '$2' + '"') + ']]>';
items.push({ title: contenItem.title, link: 'https://zhuanlan.zhihu.com/study-fe' + '/' + contenItem.url + '?refer=' + 'study-fe', author: contenItem.author.name, pubDate: contenItem.publishedTime, description: detailc
})
} console.info(items);//打印查看数组数据
});
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
let rs = convert(
'rss', { '@': { version: '2.0'
}, channel: { 'title':config.name, 'link':config.link, 'description':config.description, 'generator':config.name, 'image':{ 'url':config.icourl, 'title':config.name, 'link':config.link
}, item:items
}
});
最后就是把数据输出到文件中去
fs.writeFile(config.dist, fs, function(err) {
if (err) throw err; // console.log('It\'s saved!'); //文件被保存
});
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。
var j = schedule.scheduleJob('*/3 * * * *', function() {
grabWeb();
});
定时执行任务还会有一个问题就是在nodejs在执行异常的时候退出,这样就会导致不会实时抓取,这个要用到一个nodejs中能自动重启任务的,我用的是pm2
。 pm2的使用教程可以看这里,本文不详细展开。
最后,我是在linux环境下写出此教程的,实际跑的程现在放在vps上,在windows下不知道会出现什么问题,自己实践吧。全部代码已经上传到github。
链接地址:rssmaker-github
参考资料:
nodejs爬虫实战(一):抽屉新热榜
《XML那些事...》 实现简单的RSS
《XML那些事...》 XML中的元素、属性、命名空间
作者:剑阁前端
原文链接:https://blog.jimdono.com/nodejspa-chong-zhi-zuo-zhi-hu-zhuan-lan-rss/
出处:剑阁前端博客