Nodejs爬虫实战项目之链家

说明

作为一个前端界的小学生，一直想着自己做一些项目向全栈努力。
愁人的是没有后台，搜罗之后且学会了nodejs和express写成本地的接口给前端页面调用。
可是可是，数据从哪里来？
有人说，“ mockjs去生成！”
ok，引入了mock，循环生成一些random数据，
列表成型了，也可以loading more了，Table行数据填满了，也可以增删改查了，曲线的绘制也从原来的一条平行线变得跌宕起伏了。
但是，那毕竟是假数据。
要想拿到真实数据，还是得上“蜘蛛网”，用实战小小的体验一把。
很基础，不喜勿喷...
转载注明出处：Nodejs爬虫实战项目之链家

效果图

思路

1.爬虫究竟是怎么实现的？
通过访问要爬取的网站地址，获得该页面的html文档内容，找到我们需要保存的数据，进一步查看数据所在的元素节点，他们在某方面一定是有规律的，遵循规律，操作DOM，保存数据。例如：访问链家新房楼盘

首先，看到这样一个列表，我们需要的数据无非就是楼盘的
图片，链接地址，名称，位置，房型，建筑面积，特色，类型，售价...

接下来，按F12看一看这些数据都在哪里

可以看到他们都存放在一个一个的li里，
再找一找图片的位置

对于这样一页的十个li，每一个图片我们都可以通过'.house-lst .pic-panel img'找到，所以我们在代码就按这个方式找到图片元素，而且一次能找到十个，遍历存放。
其他就不找了，如果找不到可以通过源码联系着想一想为什么这么做？

2.怎么爬取所有页的全部数据呢？
按照刚才的方法，我们完全可以爬到第一页的数据保存下来，但是要想爬到所有页的数据，我们还需要找到页码之间的规律，下面我试着访问第二页，看看有什么幺蛾子？



在原有路径的基础上，循环加入/pg{i}/不就OK了嘛？

技术栈

1. 后台：Nodejs+express+mongodb(mongoose)+superagent+cherrio
2. 前端：React+React-Router(v4)+Ant-design+百度地图+Echarts(后续添加)
3. 交互：express API+socket.io

步骤

一、新建项目

npm install -g create-react-app
create-react-app nodejs-spider
cd nodejs-spider

二、后台部分

1.安装依赖包

npm install --save express mongodb mongoose superagent cherrio socket.io body-parser

2.新建server.js编写后台服务
看了效果就会知道，爬取过程是一页一页的爬，而且是爬完这一页才会爬下一页。如果不这么做，他会忽略爬取的时间，直接显示所有页的爬取提示并说明爬取完成，其实接下来的时间他还在继续爬，这样我们并不知道什么时候结束，怎么通知前端去显示爬取的进度呢？所以这里要使用ES7的 async/await。
传送门：体验异步的终极解决方案-ES7的Async/Await

三、 前端部分
1.安装依赖包

npm install --save react-router antd

2.配置环境
Create-react-app+Antd+Less配置

3.路由和组件
整体布局就是头部导航栏 + 内容 + 底部
头尾是公共的，内容部分通过两个路由指向两个组件。

//路由导出
import Map from '../components/Map';
import Chart from '../components/Chart';

export default [
    {
        path: '/',
        name: '地图',
        component: Map
    },
    {
        path: '/page/Chart',
        name: '数据分析',
        component: Chart
    }
]

//路由渲染
<Content style={{ padding: '0 50px' }}>
      <Switch>
            {routers.map((route, i) => {
                  return <Route key={i} exact path={route.path} component={route.component}/>
            })}
      </Switch>
</Content>

//路由导航
<Menu
     ...
   >
  {routers.map(function (route, i) {
      return (
          <Menu.Item key={i}>
            <Link to={route.path}>
              {route.name}
            </Link>
          </Menu.Item>
      )
    })}
</Menu>

4.socket.io通信
实时通信方式，用于监测后台抓取进度。

        //点击抓一下，通知后台要抓数据了
        socket.emit('request', '收到抓取请求...');
        //监听后台的progress信息，实时刷新进度
        socket.on('progress', function (data) {
            // console.log(data);
            this.setState({
                progress: data.progress,
                loading: true,
            });
            if(data.progress==='抓取完成！'){
                this.setState({
                    loading: false,
                });
            }
        }.bind(this));

5.百度地图api使用问题
百度地图对开发者免费开放接口，首先要申请秘钥
然后然后使用传送技能
传送门：当react框架遇上百度地图 ，百度地图api示例
注意：
VM10127:1 Uncaught TypeError: Failed to execute 'appendChild' on 'Node': parameter 1 is not of type 'Node'.
错误的意思是 百度地图api中 this.openInfoWindow(infoWindow) 要求的信息窗口对象为appendChild可识别的真实DOM的Node类型，而不是React这种虚拟DOM组件。所以这里只能使用jq原始的字符串拼接，要细心，还挺复杂的。

6.数据分析部分有空会用Echarts完善。

总结

很基础的爬虫入门示例，但能把基础的事情做好不容易。
说明的过程中并没提及多少代码，主要着重一些思路和如何实现，代码可以去github上down一下，互相学习交流。
办法总比问题多，虽然有解决不完的BUG，但也有对应的法则。

源码

Github