【工具推荐】一个灵活的 nodejs 爬虫库 —— x-crawl

[coder-hxl]

x-crawl ·

x-crawl 是一个灵活的 Node.js 多功能爬虫库。灵活的使用方式和众多的功能可以帮助您快速、安全、稳定地爬取页面、接口以及文件。

如果你也喜欢 x-crawl ，可以给 x-crawl 存储库 点个 star 支持一下，感谢大家的支持！

GitHub：https://github.com/coder-hxl/x-crawl

特征

• 🔥 异步同步 - 只需更改一下 mode 属性即可切换异步或同步爬取模式。
• ⚙️ 多种用途 - 可爬页面、爬接口、爬文件以及轮询爬，满足各种场景需求。
• 🖋️ 写法灵活 - 同种爬取 API 适配多种配置，每种配置方式都非常独特。
• ⏱️ 间隔爬取 - 无间隔、固定间隔以及随机间隔，产生或避免高并发爬取。
• 🔄 失败重试 - 避免因短暂的问题而造成爬取失败，自定义重试次数。
• ➡️ 轮换代理 - 配合失败重试，自定义错误次数以及 HTTP 状态码自动轮换代理。
• 👀 设备指纹 - 零配置或自定义配置，避免指纹识别从不同位置识别并跟踪我们。
• 🚀 优先队列 - 根据单个爬取目标的优先级可以优先于其他目标提前爬取。
• ☁️ 爬取 SPA - 爬取 SPA（单页应用程序）生成预渲染内容（即“SSR”（服务器端渲染））。
• ⚒️ 控制页面 - 可以表单提交、键盘输入、事件操作、生成页面的屏幕截图等。
• 🧾 捕获记录 - 对爬取进行捕获记录，并在终端使用彩色字符串提醒。
• 🦾 TypeScript - 拥有类型，通过泛型实现完整的类型。

示例

以每天自动获取世界各地的经历和房间的一些照片为例：

// 1.导入模块 ES/CJS
import xCrawl from 'x-crawl'

// 2.创建一个爬虫实例
const myXCrawl = xCrawl({ maxRetry: 3, intervalTime: { max: 3000, min: 2000 } })

// 3.设置爬取任务
// 调用 startPolling API 开始轮询功能，每隔一天会调用回调函数
myXCrawl.startPolling({ d: 1 }, async (count, stopPolling) => {
  // 调用 crawlPage API 来爬取页面
  const res = await myXCrawl.crawlPage({
    targets: [
      'https://www.airbnb.cn/s/experiences',
      'https://www.airbnb.cn/s/plus_homes'
    ],
    viewport: { width: 1920, height: 1080 }
  })

  // 存放图片 URL 到 targets
  const targets = []
  const elSelectorMap = ['._fig15y', '._aov0j6']
  for (const item of res) {
    const { id } = item
    const { page } = item.data

    // 等待页面加载完成
    await new Promise((r) => setTimeout(r, 300))

    // 获取页面图片的 URL
    const urls = await page!.$$eval(
      `${elSelectorMap[id - 1]} img`,
      (imgEls) => {
        return imgEls.map((item) => item.src)
      }
    )
    targets.push(...urls)

    // 关闭页面
    page.close()
  }

  // 调用 crawlFile API 爬取图片
  await myXCrawl.crawlFile({ targets, storeDir: './upload' })
})

运行效果:

注意: 请勿随意爬取，爬取前可查看 robots.txt 协议。这里只是为了演示如何使用 x-crawl 。

更多

更多内容可查看：https://github.com/coder-hxl/x-crawl