用TypeScript开发爬虫程序

摘要：全局安装目前版本，这个版本不再需要使用命令了。现在尝试深入抓取文章内容可以发现因为访问服务器太迅猛，导致出现很多次错误。解决添加文件修改文件为修改文件为观察输出可以看到，程序实现了隔一秒再请求下一个内容页。

全局安装typescript：

npm install -g typescript

目前版本2.0.3，这个版本不再需要使用typings命令了。但是vscode捆绑的版本是1.8的，需要一些配置工作，看本文的处理办法。

测试tsc命令：

tsc

创建要写的程序项目文件夹：

mkdir test-typescript-spider

进入该文件夹：

cd test-typescript-spider

初始化项目：

npm init

安装superagent和cheerio模块：

npm i --save superagent cheerio

安装对应的类型声明模块：

npm i -s @types/superagent --save
npm i -s @types/cheerio --save

安装项目内的typescript（必须走这一步）：

npm i --save typescript

用vscode打开项目文件夹。在该文件夹下创建tsconfig.json文件，并复制以下配置代码进去：

{
    "compilerOptions": {
        "target": "ES6",
        "module": "commonjs",
        "noEmitOnError": true,
        "noImplicitAny": true,
        "experimentalDecorators": true,
        "sourceMap": false,
     // "sourceRoot": "./",
        "outDir": "./out"
    },
    "exclude": [
        "node_modules"
    ]
}

在vscode打开“文件”-“首选项”-“工作区设置”
在settings.json中加入（如果不做这个配置，vscode会在打开项目的时候提示选择哪个版本的typescript）：

{
   "typescript.tsdk": "node_modules/typescript/lib"
}

创建api.ts文件，复制以下代码进去：

import superagent = require("superagent");
import cheerio = require("cheerio");

export const remote_get = function(url: string) {

    const promise = new Promise(function (resolve, reject) {
        superagent.get(url)
            .end(function (err, res) {
                if (!err) {
                    resolve(res);
                } else {
                    console.log(err)
                    reject(err);
                }
            });
    });
    return promise;
}

创建app.ts文件，书写测试代码：

import api = require("./api");
const go = async () => {
    let res = await api.remote_get("http://www.baidu.com/");
    console.log(res.text);
}
go();

执行命令：

tsc

然后：

node out/app

观察输出是否正确。

现在尝试抓取http://cnodejs.org/的第一页文章链接。
修改app.ts文件，代码如下：

import api = require("./api");
import cheerio = require("cheerio");

const go = async () => {
    const res = await api.remote_get("http://cnodejs.org/");
    const $ = cheerio.load(res.text);
    let urls: string[] = [];
    let titles: string[] = [];
    $(".topic_title_wrapper").each((index, element) => {
        titles.push($(element).find(".topic_title").first().text().trim());
        urls.push("http://cnodejs.org/" + $(element).find(".topic_title").first().attr("href"));
    })
    console.log(titles, urls);
}
go();

观察输出，文章的标题和链接都已获取到了。

现在尝试深入抓取文章内容

import api = require("./api");
import cheerio = require("cheerio");

const go = async () => {
    const res = await api.remote_get("http://cnodejs.org/");
    const $ = cheerio.load(res.text);
    $(".topic_title_wrapper").each(async (index, element) => {
        let url = ("http://cnodejs.org" + $(element).find(".topic_title").first().attr("href"));
        const res_content = await api.remote_get(url);
        const $_content = cheerio.load(res_content.text);
        console.log($_content(".topic_content").first().text());
    })

}
go();

可以发现因为访问服务器太迅猛，导致出现很多次503错误。
解决：
添加helper.ts文件：

export const wait_seconds = function (senconds: number) {
    return new Promise(resolve => setTimeout(resolve, senconds * 1000));
}

修改api.ts文件为：

import superagent = require("superagent");
import cheerio = require("cheerio");

export const get_index_urls = function () {
    const res = await remote_get("http://cnodejs.org/");
    const $ = cheerio.load(res.text);
    let urls: string[] = [];
    $(".topic_title_wrapper").each(async (index, element) => {
        urls.push("http://cnodejs.org" + $(element).find(".topic_title").first().attr("href"));
    });
    return urls;
}
export const get_content = async function (url: string) {
    const res = await remote_get(url);
    const $ = cheerio.load(res.text);
    return $(".topic_content").first().text();
}

export const remote_get = function (url: string) {

    const promise = new Promise(function (resolve, reject) {

        superagent.get(url)
            .end(function (err, res) {
                if (!err) {
                    resolve(res);
                } else {
                    console.log(err)
                    reject(err);
                }
            });
    });
    return promise;
}

修改app.ts文件为：

import api = require("./api");
import helper = require("./helper");
import cheerio = require("cheerio");

const go = async () => {
    let urls = await api.get_index_urls();
    for (let i = 0; i < urls.length; i++) {
        await helper.wait_seconds(1);
        let text = await api.get_content(urls[i]);
        console.log(text);
    }
}
go();

观察输出可以看到，程序实现了隔一秒再请求下一个内容页。

现在尝试把抓取到的东西存到数据库中。
安装mongoose模块：

npm i mongoose --save
npm i -s @types/mongoose --save

然后建立Scheme。先创建models文件夹：

mkdir models

在models文件夹下创建index.ts：

import * as mongoose from "mongoose";

mongoose.connect("mongodb://127.0.0.1/cnodejs_data", {
    server: { poolSize: 20 }
}, function (err) {
    if (err) {
        process.exit(1);
    }
});

// models
export const Article = require("./article");

在models文件夹下创建IArticle.ts:

interface IArticle {
    title: String;
    url: String;
    text: String;
}
export = IArticle;

在models文件夹下创建Article.ts:

import mongoose = require("mongoose");
import IArticle = require("./IArticle");
interface IArticleModel extends IArticle, mongoose.Document { }

const ArticleSchema = new mongoose.Schema({
    title: { type: String },
    url: { type: String },
    text: { type: String },
});

const Article = mongoose.model("Article", ArticleSchema);
export = Article;

修改api.ts为：

import superagent = require("superagent");
import cheerio = require("cheerio");
import models = require("./models");
const Article = models.Article;

export const get_index_urls = async function () {
    const res = await remote_get("http://cnodejs.org/");

    const $ = cheerio.load(res.text);
    let urls: string[] = [];
    $(".topic_title_wrapper").each((index, element) => {
        urls.push("http://cnodejs.org" + $(element).find(".topic_title").first().attr("href"));
    });
    return urls;

}
export const fetch_content = async function (url: string) {
    const res = await remote_get(url);

    const $ = cheerio.load(res.text);
    let article = new Article();
    article.text = $(".topic_content").first().text();
    article.title = $(".topic_full_title").first().text().replace("置顶", "").replace("精华", "").trim();
    article.url = url;
    console.log("获取成功：" + article.title);
    article.save();

}
export const remote_get = function (url: string) {

    return new Promise((resolve, reject) => {
        superagent.get(url)
            .end(function (err, res) {
                if (!err) {
                    resolve(res);
                } else {
                    reject(err);
                }
            });
    });
}

修改app.ts为：

import api = require("./api");
import helper = require("./helper");
import cheerio = require("cheerio");

(async () => {

    try {
        let urls = await api.get_index_urls();
        for (let i = 0; i < urls.length; i++) {
            await helper.wait_seconds(1);
            await api.fetch_content(urls[i]);
        }
    } catch (err) {
        console.log(err);
    }

    console.log("完毕！");

})();

执行

tsc
node out/app

观察输出，并去数据库检查一下
可以发现入库成功了！

补充：remote_get方法的改进版，实现错误重试和加入代理服务器.
放弃了superagent库，用的request库，仅供参考：

//config.retries = 3;
let current_retry = config.retries || 0;
export const remote_get = async function (url: string, proxy?: string) {
    //每次请求都先稍等一下
    await wait_seconds(2);
    if (!proxy) {
        proxy = "";
    }
    const promise = new Promise(function (resolve, reject) {
        console.log("get: " + url + ",  using proxy: " + proxy);
        let options: request.CoreOptions = {
            headers: {
                "Cookie": "",
                "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36",
                "Referer": "https://www.baidu.com/"
            },
            encoding: "utf-8",
            method: "GET",
            proxy: proxy,
            timeout: 3000,
        }
        request(url, options, async function (err, response, body) {
            console.log("got:" + url);
            if (!err) {
                body = body.toString();
                current_retry = config.retries || 0;
                console.log("bytes:" + body.length);
                resolve(body);
            } else {
                console.log(err);
                if (current_retry <= 0) {
                    current_retry = config.retries || 0;
                    reject(err);
                } else {
                    console.log("retry...(" + current_retry + ")")
                    current_retry--;
                    try {
                        let body = await remote_get(url, proxy);
                        resolve(body);
                    } catch (e) {
                        reject(e);
                    }
                }
            }
        });
    });
    return promise;
}

另外，IArticle.ts和Article.ts合并为一个文件，可能更好，可以参考我另一个model的写法：

import mongoose = require("mongoose");

interface IProxyModel {
    uri: string;
    ip: string;
    port:string;
    info:string;
}
export interface IProxy extends IProxyModel, mongoose.Document { }

const ProxySchema = new mongoose.Schema({
    uri: { type: String },//
    ip: { type: String },//
    port: { type: String },//
    info: { type: String },//
});
export const Proxy = mongoose.model("Proxy", ProxySchema);

导入的时候这么写就行了：

import { IProxy, Proxy } from "./models";

其中Proxy可以用来做new、find、where之类的操作:

let x = new Proxy();
let xx = await Proxy.find({});
let xxx = await Proxy.where("aaa",123).exec();

而IProxy用于实体对象的传递，例如

function xxx(p:IProxy){
}