使用Crawlee可破题js渲染采集数据

使用 Crawlee 实现自动化爬虫流程

1. Crawlee 简介

Crawlee 是一个强大的爬虫框架，用于快速构建和维护可靠的爬虫。它支持多种爬虫类型，包括基于 Cheerio 和 Playwright 的爬虫，能够高效处理静态和动态网页。

2. 项目目标

通过自动化脚本实现两个主要任务：

1. 采集目标网站的所有链接。
2. 从采集到的链接中提取页面数据。

3. 文件结构

项目包含以下文件：

• collect_links.js：采集目标网站的所有链接并保存到 JSON 文件。
• collect_data.js：从 JSON 文件读取链接并采集页面数据。
• main.js：主控制脚本，协调两个文件的同步执行。
• collected_links.json：存储采集到的链接。
• collected_data.json：存储采集到的页面数据。

4. 安装依赖

在项目根目录下运行以下命令安装所需依赖：

npm install crawlee

5. 示例 1：采集链接

collect_links.js 脚本负责从目标网站采集所有链接，并将结果保存到 collected_links.json 文件中。

const { CheerioCrawler, Dataset } = require('crawlee');

const startUrls = ['https://example.com']; // 替换为目标网站的起始页面
const crawler = new CheerioCrawler({
    async requestHandler({ request, $ }) {
        const links = $('a').map((i, el) => $(el).attr('href')).get();
        const validLinks = links.filter((link) => link && link.startsWith('http'));
        await Dataset.pushData({ url: request.loadedUrl, links: validLinks });
        await crawler.addRequests(validLinks.map((link) => ({ url: link })));
    }
});

(async () => {
    await crawler.run(startUrls);
    await Dataset.exportData({ path: './collected_links.json', format: 'json' });
    console.log('所有链接已保存到 collected_links.json 文件中');
})();

6. 示例 2：采集数据

collect_data.js 脚本从 collected_links.json 文件中读取链接，并采集每个页面的标题和内容，最终将数据保存到 collected_data.json 文件中。

const fs = require('fs');
const { CheerioCrawler, Dataset } = require('crawlee');

(async () => {
    const links = JSON.parse(fs.readFileSync('./collected_links.json', 'utf-8'));
    const allLinks = links.flatMap((entry) => entry.links);

    const crawler = new CheerioCrawler({
        async requestHandler({ request, $ }) {
            const title = $('title').text();
            const content = $.html();
            await Dataset.pushData({ url: request.loadedUrl, title, content });
            console.log(`已采集页面：${request.loadedUrl}`);
        }
    });

    await crawler.addRequests(allLinks.map((url) => ({ url })));
    await crawler.run();
    await Dataset.exportData({ path: './collected_data.json', format: 'json' });
    console.log('采集完成，数据已保存到 collected_data.json 文件中');
})();

7. 主控制脚本：main.js

主控制脚本负责协调两个文件的同步执行，确保采集链接和采集数据的任务能够连续运行。

const { exec } = require('child_process');
const fs = require('fs');
const path = './collected_links.json';

// 运行采集链接的脚本
function runCollectLinks() {
    console.log('开始采集链接...');
    exec('node collect_links.js', (err, stdout, stderr) => {
        if (err) {
            console.error('采集链接时出错:', err);
            return;
        }
        console.log('采集链接完成:', stdout);
        console.log('开始采集数据...');
        runCollectData();
    });
}

// 运行采集数据的脚本
function runCollectData() {
    exec('node collect_data.js', (err, stdout, stderr) => {
        if (err) {
            console.error('采集数据时出错:', err);
            return;
        }
        console.log('采集数据完成:', stdout);
    });
}

// 启动整个流程
runCollectLinks();

8. 同步执行任务

通过 main.js 脚本，确保 collect_links.js 和 collect_data.js 按顺序同步执行。当 collect_links.js 完成后，自动触发 collect_data.js。

9. 运行项目

在项目根目录下运行以下命令启动整个流程：

node main.js

10. 优点

• 自动化流程：整个采集流程完全自动化，无需手动干预。
• 解耦设计：采集链接和采集数据的逻辑完全分离，便于维护和扩展。
• 实时响应：通过主控制脚本，确保在链接文件更新后立即启动数据采集。

11.文档地址

https://crawlee.dev