今天开源了一个百度云网盘爬虫项目,地址是https://github.com/callmelanmao/yunshare。
百度云分享爬虫项目
github上有好几个这样的开源项目,但是都只提供了爬虫部分,这个项目在爬虫的基础上还增加了保存数据,建立elasticsearch索引的模块,可以用在实际生产环境中,不过web模块还是需要自己开发
安装
安装node.js和pm2,node用来运行爬虫程序和索引程序,pm2用来管理node任务
安装mysql和mongodb,mysql用来保存爬虫数据,mongodb用来保存最终的百度云分享数据,这些数据是json格式的,用mongodb保存更方便。
git clone https://github.com/callmelanmao/yunshare
cnpm i
推荐使用cnpm命令安装npm依赖,最简单的安装方式
$ npm install -g cnpm --registry=https://registry.npm.taobao.org
更多安装cnpm的命令可以去npm.taobao.org上面找。
初始化
爬虫数据(主要是url列表)都是保存在mysql数据库的,yunshare使用sequelizejs做orm映射,源文件在src/models/index.js
,默认的mysql用户名和密码都是root,数据看是yun,你需要手动创建yun数据库
create database yun default charset utf8
密码根据自己需要进行修改,完成mysql配置之后就可以运行下面的命令
gulp babel
node dist/init.js
注意必须先运行gulp babel
把es6代码编译成es5,然后运行初始化脚本导入初始数据,数据文件在data/hot.json
,里面,是从页面 http://yun.baidu.com/pcloud/f... 保存下来的。
启动项目
yunshare使用pm2进行nodejs进程管理,运行pm2 start process.json
启动所有的后台任务,检查任务是否正常运行可以用命令pm2 list
,正常运行的应该有4个任务。
启动elasticsearch索引
elasticsearch索引程序也已经写好了,mapping文件在data/mapping.json
,请确保你已经安装elasticsearch 5.0的版本之后才运行索引程序,命令pm2 start dist/elastic.js
。
默认的elasticsearch地址是http://localhost:9200,如果你需要修改这个地址,可以在src/ElasticWorker.js
里面修改,修改任何js源码之后记得运行gulp babel
,在重启pm2任务,不然修改是不会生效的。
在完成elasticsearch配置之后,你也可以在process.json里面添加一项elastic任务,这样就不需要单独启动索引程序了。
DEMO
下一篇接着介绍整个项目的整体设计思路和开发过程中遇到的问题。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。