nodejs爬虫制作知乎专栏RSS抓取程序

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