微信公眾號 文章的爬蟲系統

?? ?差不多倆個星期了吧，一直在調試關于微信公眾號的文章爬蟲系統，終于一切都好了，但是在這期間碰到了很多問題，今天就來回顧一下，總結一下，希望有用到的小伙伴可以學習學習。

? ? ?1、做了倆次爬蟲了，第一次怕的鳳凰網，那個沒有限制，隨便爬，所以也就對自動化執行代碼模塊放松了警惕，覺得挺簡單的，但是其實不是這樣的，我被這個問題困擾了好幾天，差不多4天的一個樣子，因為搜狗做的限制，同一個ip獲取的次數多了，首先是出現驗證碼，其次是就是訪問限制了，直接就是不能訪問，利用 request得到的就是訪問次數過于頻繁，這樣子的提示，所以說開發過程中最頭疼的不是代碼的編寫，而是測試，寫完代碼不能立馬測試，這種感覺相信大多數的程序員是不能喜歡的，我現在寫的程序是每天執行三次，這樣的一個頻率還行，而且因為是多公眾號采集嘛，每個公眾號之間的間隔時間也的有，要不然同時訪問十幾個公眾號的上百篇文章也是不現實的，說到這里插一句，怎么讓每個公眾號怕去玩之后，等一段具體的時間，在執行下一個，最后用的setInterval函數解決的，

每過80秒執行一個公眾號，把每次的執行代碼寫到hello中，泡的有點遠了，收一收哈，說說cron這個包，自動化執行，npm官網上只給了一個例子，但是我這個指桑拿可能是有點壓制的厲害，不能夠玩卻理解他的用法，然后我說理解不了怎么辦啊，上網搜唄，百度，cron包的具體用法，一看，嚯，還挺多，于是就看啊看啊，但是仔細以分析就不是那么回事兒了，都是廢話，沒什么用，網上一般的用法中都帶有一個問號，但是我加上問號的時候，就報錯了，所以說都是扯淡，最后在同學組的一個前端技術討論群中說了一聲，還真有熱心的群友，給我找了一個鏈接，我進去一看，試了一下，還行，所以呢，非常感謝這個幫助我解惑的同學，再次我把qq群號，和鏈接附上，方便正在看這篇文章的你學習，QQ群號：435012561，鏈接：http://www.tuicool.com/articles/yy2Ivmj，這個鏈接里面說的還行，至少能用，這里我還行到一個問題，就是timezone，我們之前用過一次，用的是洛杉磯時間，但是這次明顯不行啊，要用咱們中國的時間啊，但是我試了幾次北京的不行，重慶的可以，所以我就用了重慶的。

? ? ?2、這里要說的是，從地址欄獲取參數的問題，我上一個做的沒問題，但是這個不知道怎么就不行了，上一個從地址欄得到的是數字，但是這個得到的是字符串，再加上mongodb中的對字段的要求還是挺嚴格的，所以一個分頁功能也困擾了我幾個小時吧，最后是怎么解決的呢，是通過我加的一個mongodb的討論群，在里面問了一句這是怎么了，發了個截圖，里面就有一個熱心的網友說你這明顯是傳入的數據格式不對啊，一語驚醒夢中人，我說是啊，然后就把得到的參數，我用Number（）函數處理了一下，讓string類型的數字，變成了number類型的數字，就好了，所以說大家在用mongodb的時候一定要注意存儲數據的格式，

? ? ?3、mongodb查詢數據語句組織方式：

? ? ? ? ??

? ? ? ? ? 其實說白了就是limit和skip倆個函數的使用，但是具體的格式可的看好了，還有我這個是接受的參數，不過mongo的參數接受也好弄直接寫就好了，不用像sql那樣搞什么${""}這種類型的，后面的sort函數說明了排序的方式，這里是設置的以ctime字段為標準，-1表示倒序，1表示正序，

?

? ? ?4、在本次代碼編寫中，我首次使用了try ? catch 這個補錯的方式，事實證明，還行，可以把偶爾的錯誤正常的打印出來，但是不影響代碼的整體執行，或者是說下一次執行，整體感覺非常好，

? ? 具體的使用方法，在try中放入你要執行的代碼，在最后加上一行，throw ?Error();

? ? 然后給catch傳入一個參數e，在catch中可以打印很多個信息，我只打印了其中的一個，e.message，

? ? ? 5、這次編碼過程中主要用到了anync包，其中的ansyc.each循環，ansyc.waterfall執行完上面的才可以執行下面的，而且撒謊給你下之間還可以從上至下傳遞參數，這個很重要，因為在本次編程中，每次獲取的內容不同，每次代碼執行的條件不同，即需要的參數也不同，即有可能下一次代碼的執行就需要用到上一次代碼執行得到的結果，所以說這個anync包，真的是值得研究，他的每個方法都不同，有時候可以得到意想不到的效果。

? ? ? ?6、在mysql中如果想要達到這樣一個效果，就是說，如果數據庫中已經存在了，那就不予理會，或者說不重復存儲，如果數據庫中不存在，那么就存儲進來，很簡單，直接把插入數據的insert ?換成 replace 。但是在mongodb中，應該是沒有，或者說是我還沒有發現，我是這么解決的，定義了一個開關，令這個開關為真，每次存儲之前，先把所有的數據循環一遍，看看有沒有這條數據，如果有，讓開關變為假，如果沒有，繼續執行，即判斷此時開關的真假，如果是真的，那就執行插入操作，如果是假的，就不予理會，這就達到了類似的效果，否則每次都會存儲大量的重復數據，

? ? ? ?7、本次采集的核心，就是我文件中的common.js了，首先因為要采集，所以需要用到request包，采集到之后，要處理html格式的數據，使之可以使用類jquery的操作，那么久用到了cheerio這個包，然后在循環采集的時候，會用到anync.each這個方法，所以會用到async這個包，

? ? ? ? ? ? 7-1、

? ? ? ? ? ? ? ? ?通過搜狗微信采集，就要分析搜狗微信的路徑，每個公眾號的頁面的路徑是這樣的

http://weixin.sogou.com/weixin?type=1&s_from=input&query=%E8%BF%99%E6%89%8D%E6%98%AF%E6%97%A5%E6%9C%AC&ie=utf8&_sug_=n&_sug_type_=

這個是“這才是日本”的頁面的鏈接，經過分析，所有的公眾號的鏈接只有query后面的參數不同，但是query后面的參數是什么呢，其實就是通過encodeURIComponent（）這個函數轉化之后的“這才是日本”，所以說都一樣，獲取那個公眾號，就將那個公眾號的名字編碼之后，動態的組合成一個鏈接，訪問就可以進入到每個鏈接里面了，但是這個鏈接只是請求到了這個頁面，

?

?并不是

這個頁面，所以還的進一步處理，就是得到當前頁面的第一個內容的鏈接，即href

當得到了這個鏈接，就會發現他有他的加密方式，其實很簡單的，就是在鏈接里面的加了三個amp；把鏈接里面的這三個amp;替換為空，就好了，這也就是第一步，得到每一個公眾號的頁面鏈接，

? ? ? ? ? ? ? ? 7-2

? ? ? ? ? ? ? ? ? ? ?得到鏈接之后，就要進行訪問了，即請求，請求每個地址，得到每個地址的內容，但是每個頁面顯示的內容都不在頁面中，即html結構中，在js中藏著，所以要通過正則匹配，得到每篇文章的對象，然后就循環每個公眾號的這個對象，得到這個對象中的每篇文章的一些信息，包括title，thumb，abstract，URL，time，五個字段，但是我使用的代碼爛透了，盡然當時使用了

對象.屬性.foreach（function（item,index）{

}）

這種爛透了的方式，弄的最后好的在寫一次循環才可以完全的得到每一個對象，否則只可以得到第一個，在這里應該用async.each,或者async.foreach這倆中方式每種都可以啊，而且都是非常好用的方式。這樣的話買就得到了每篇文章的以上基本消息，

? ? ? ? ? ? ? ? 7-3、

? ? ? ? ? ? ? ? ? ? ?第三個階段，就是進入到每篇文章的詳情頁，獲得每篇文章的內容，點贊數，作者，公眾號，閱讀量等數據，在這里碰到的主要問題是，人家的content直接在在js中，所有的img標簽都有問題，他是以<image-src = "...>這種形式存在雨content中，但是這樣的話，這樣的圖片在我們的網頁中不能被顯示，因為標簽存在問題啊，html文檔不認識這樣的img標簽啊，所以這里要進行一些處理，把所有的<image-src = "...>用replace替換為<img src = "...>這樣的話就OK了，但是我在編程的時候進行到這兒碰到了一個傻逼問題，我將這樣的得到的content，放到html中可以，但是存到mongodb中，每個引號的前面莫名其妙的多了一條杠，每個img標簽多了三條杠，這樣的話就又不可以顯示了，我就一直糾結啊，怎么能存儲的時候不要這三條杠呢，經過了一番艱苦卓絕的斗爭，最后還是沒能解決了，最后加了一個mongodb 的討論群，我進去問了一下，有一個大神立馬說，你知道什么是轉義字符嗎？我當時很懵逼啊，我自認為我知道啊，人家說，你的群備注還是前端，你做前端的不明白這是轉義字符嗎？我就更加懵逼了，然后過了一會兒我才明白過來，這個是存儲的時候被轉義了，但是當從數據庫讀的時候，就自動有沒有了，所以說只有存在數據庫中的數據有三條杠，原始數據和讀取出來的數據都沒有，真是完美啊！

? ? ? 8、最后想說一點，這次是我第一次接觸有驗證碼的網頁請求，這里用到了阿里一個服務，識別驗證碼，

? ? ?END!

?

https://www.cnblogs.com/boboweiqi/p/6782300.html

?