使用NodeJS请求抓取带有进程Cookie认证的站点译文精选

　　作者 | Lokesh Joshi

　　译者 | 张哲刚

　　审校丨Noe

简介

　　当前，NodeJS拥有大量的库，基本上可以解决所有的常规需求。网络抓取是一项门槛较低的技术，衍生了大量自由职业者以及开发团队。自然而然，NodeJS的库生态系统几乎包含了网络解析所需的一切。

　　本文论述中，首先假定已经运行在应用程序皆为NodeJS解析而工作的核心设备之上。此外，我们将研究一个示例，从销售品牌服装和饰品的网站https://outlet.scotch-soda.com 站点中的几百个页面里收集数据。这些代码示例类似于一些真实的抓取应用程序，其中一个就是在Yelp抓取中使用。

　　当然，由于本文研究所限，示例中删除了一些生产组件，例如数据库、容器化、代理连接以及进程管理工具（例如pm2）。另外，在诸如linting这类显而易见的事务上也不会停止。

　　但是，我们会保证项目的基本结构完善，将使用最流行的库（Axios，Cheerio，Lodash），使用Puppeter提取授权密钥，使用NodeJS流抓取数据并将其写入文件。

术语规定

　　本文将使用以下术语：NodeJS应用程序——服务器应用程序；网站 outlet.scotch-soda.com ——Web资源，网站服务器为Web服务器。大体来说，首先是在Chrome或Firefox中探究网站网络资源及其页面，然后运行一个服务器应用程序，向Web服务器发送HTTP请求，最后收到带有相应数据的响应。

获取授权Cookie

　　outlet.scotch-soda.com的内容仅对授权用户开放。本示例中，授权将通过由服务器应用程序控制的Chromium浏览器实施，cookie也是从其中接收。这些Cookie将包含在每个向web服务器发出的HTTP请求上的HTTP标头中，从而允许应用程序访问这些授权内容。当抓取具有数万乃至数十万页面的大量资源时，接收到的Cookie需要更新一些次数。

　　该应用程序将具有以下结构：

　　cookieManager.js：带有Cookie管理器类的文件，用以负责获取cookie;

　　cookie-storage.js： cookie 变量文件;

　　index.js：安排Cookie管理器调用点;

　　.env：环境变量文件。

　　/project_root

　　|__ /src

　　| ? |__ /helpers

　　| ? ? ?|__ **cookie-manager.js**

　　| ? ? ?|__ **cookie-storage.js**

　　|**__ .env**

　　|__ **index.js**

　　主目录和文件结构

　　将以下代码添加到应用程序中：

// index.js

// including environment variables in .env
require('dotenv').config();

const cookieManager = require('./src/helpers/cookie-manager');
const { setLocalCookie } = require('./src/helpers/cookie-storage');

// IIFE - application entry point
(async () => {
  // CookieManager call point
  // login/password values are stored in the .env file
  const cookie = await cookieManager.fetchCookie(
    process.env.LOGIN,
    process.env.PASSWORD,
  );

  if (cookie) {
    // if the cookie was received, assign it as the value of a storage variable
    setLocalCookie(cookie);
  } else {
    console.log('Warning! Could not fetch the Cookie after 3 attempts. Aborting the process...');
    // close the application with an error if it is impossible to receive the cookie
    process.exit(1);
  }
})();

　　在cookie-manager.js中：

// cookie-manager.js

// 'user-agents' generates 'User-Agent' values for HTTP headers
// 'puppeteer-extra' - wrapper for 'puppeteer' library
const _ = require('lodash');
const UserAgent = require('user-agents');
const puppeteerXtra = require('puppeteer-extra');
const StealthPlugin = require('puppeteer-extra-plugin-stealth');

// hide from webserver that it is bot
puppeteerXtra.use(StealthPlugin());

class CookieManager {
  // this.browser & this.page - Chromium window and page instances 
  constructor() {
    this.browser = null;
    this.page = null;
    this.cookie = null;
  }

  // getter
  getCookie() {
    return this.cookie;
  }

  // setter
  setCookie(cookie) {
    this.cookie = cookie;
  }

  async fetchCookie(username, password) {
    // give 3 attempts to authorize and receive cookies
    const attemptCount = 3;

    try {
      // instantiate Chromium window and blank page 
      this.browser = await puppeteerXtra.launch({
        args: ['--window-size=1920,1080'],
        headless: process.env.NODE_ENV === 'PROD',
      });

      // Chromium instantiates blank page and sets 'User-Agent' header
      this.page = await this.browser.newPage();
      await this.page.setUserAgent((new UserAgent()).toString());

      for (let i = 0; i < attemptCount; i += 1) {
        // Chromium asks the web server for an authorization page
        //and waiting for DOM
        await this.page.goto(process.env.LOGIN_PAGE, { waitUntil: ['domcontentloaded'] });

        // Chromium waits and presses the country selection confirmation button
        // and falling asleep for 1 second: page.waitForTimeout(1000)
        await this.page.waitForSelector('#changeRegionAndLanguageBtn', { timeout: 5000 });
        await this.page.click('#changeRegionAndLanguageBtn');
        await this.page.waitForTimeout(1000);

        // Chromium waits for a block to enter a username and password
        await this.page.waitForSelector('div.login-box-content', { timeout: 5000 });
        await this.page.waitForTimeout(1000);
        
        // Chromium enters username/password and clicks on the 'Log in' button      
        await this.page.type('input.email-input', username);
        await this.page.waitForTimeout(1000);
        await this.page.type('input.password-input', password);
        await this.page.waitForTimeout(1000);
        await this.page.click('button[value="Log in"]');
        await this.page.waitForTimeout(3000);

        // Chromium waits for target content to load on 'div.main' selector
        await this.page.waitForSelector('div.main', { timeout: 5000 });

        // get the cookies and glue them into a string of the form <key>=<value> [; <key>=<value>]
        this.setCookie(
          _.join(
            _.map(
              await this.page.cookies(),
              ({ name, value }) => _.join([name, value], '='),
            ),
            '; ',
          ),
        );

        // when the cookie has been received, break the loop
        if (this.cookie) break;
      }

      // return cookie to call point (in index.js)
      return this.getCookie();
    } catch (err) {
      throw new Error(err);
    } finally {
      // close page and browser instances
      this.page && await this.page.close();
      this.browser && await this.browser.close();
    }
  }
}

// export singleton
module.exports = new CookieManager();

　　某些变量的值是链接到.env文件的。

　　// .env

　　NODE_ENV=DEV

　　LOGIN_PAGE=https://outlet.scotch-soda.com/de/en/login

　　PASSWORD=i*m_on@kde

　　例如，配置无头消息属性，发送到方法 puppeteerXtra.launch解析为布尔值，它取决于状态可变的process.env.node_env 。在开发过程中，变量被设置为DEV，无头变量被设置为false，因此Puppeteer能够明白它此刻应该在监视器上呈现执行Chromium 。

　　方法page.cookies返回一个对象数组，每个对象定义一个 cookie 并包含两个属性：名称和值。使用一系列 Lodash 函数，循环提取每个 cookie 的键值对，并生成类似于下面的字符串：

文件 cookie-storage.js:

// cookie-storage.js

//  cookie storage variable
let localProcessedCookie = null;

// getter
const getLocalCookie = () => localProcessedCookie;

// setter
const setLocalCookie = (cookie) => {
  localProcessedCookie = cookie;

  // lock the getLocalCookie function; 
  // its scope with the localProcessedCookie value will be saved
  // after the setLocalCookie function completes
  return getLocalCookie;
};

module.exports = {
  setLocalCookie,
  getLocalCookie,
};

　　对于闭包的定义，明确的思路是：在该变量作用域内的函数结束后，保持对某个变量值的访问。通常，当函数完成执行返回操作时，它会离开调用堆栈，垃圾回收机制会从作用域内删除内存中的所有变量。

　　上面的示例中，本地cookie设置器完成设置后，应该回收的本地已处理cookie变量的值将保留在计算机的内存中。这就意味着只要应用程序在运行，它就可以在代码中的任何地方获取这个值。

　　这样，当调用setLocalCookie时，将从中返回getLocalCookie函数。一旦这个LocalCookie函数作用域面临回收时，NodeJS能够看到它具有getLocalCookie闭包函数。此时，垃圾回收机制将返回的获取器作用域内的所有变量都保留在内存中。由于可变的本地处理Cookie在getLocalCookie的作用域内，因此它将继续存在，保持与Cookie的绑定。

URL生成器

　　应用程序需要一个url的主列表才能开始爬取。在生产过程中，爬取通常从Web资源的主页开始，经过一定数量次数的迭代，最终建立一个指向登录页面的链接集合。通常，一个Web资源有成千上万个这样的链接。

　　在此示例中，爬取程序只会传输8个爬取链接作为输入，链接指向包含着主要产品分类目录的页面，它们分别是：

??　　https://outlet.scotch-soda.com/women/clothing??

??　　https://outlet.scotch-soda.com/women/footwear??

??　　https://outlet.scotch-soda.com/women/accessories/all-womens-accessories??

??　　https://outlet.scotch-soda.com/men/clothing??

??　　https://outlet.scotch-soda.com/men/footwear??

??　　https://outlet.scotch-soda.com/men/accessories/all-mens-accessories??

??　　https://outlet.scotch-soda.com/kids/girls/clothing/all-girls-clothing??

??　　https://outlet.scotch-soda.com/kids/boys/clothing/all-boys-clothing??

　　使用这么长的链接字符，会影响代码美观性，为了避免这种情形，让我们用下列文件创建一个短小精悍的URL构建器：

　　categories.js: 包含路由参数的文件;

　　target-builder.js: 构建url集合的文件.

　　/project_root

　　|__ /src

　　| ? |__ /constants

　　| | ?|__ **categories.js**

　　| ? |__ /helpers

　　| ? ? ?|__ cookie-manager.js

　　| ? ? ?|__ cookie-storage.js

　　| ? ? ?|__ **target-builder.js**

　　|**__ .env**

　　|__ index.js

　　添加以下代码：

　　// .env

　　MAIN_PAGE=https://outlet.scotch-soda.com

// index.js

// import builder function
const getTargetUrls = require('./src/helpers/target-builder');

(async () => {
  // here the proccess of getting cookie

  // gets an array of url links and determines it's length L
  const targetUrls = getTargetUrls();
  const { length: L } = targetUrls;

})();

// categories.js

module.exports = [
  'women/clothing',
  'women/footwear',
  'women/accessories/all-womens-accessories',
  'men/clothing',
  'men/footwear',
  'men/accessories/all-mens-accessories',
  'kids/girls/clothing/all-girls-clothing',
  'kids/boys/clothing/all-boys-clothing',
];

// target-builder.js

const path = require('path');
const categories = require('../constants/categories');

// static fragment of route parameters
const staticPath = 'global/en';

// create URL object from main page address
const url = new URL(process.env.MAIN_PAGE);

// add the full string of route parameters to the URL object
// and return full url string
const addPath = (dynamicPath) => {
  url.pathname = path.join(staticPath, dynamicPath);

  return url.href;
};

// collect URL link from each element of the array with categories
module.exports = () => categories.map((category) => addPath(category));

　　这三个代码片段构建了本段开头给出的8个链接，演示了内置的URL以及路径库的使用。可能有人会觉得，这不是大炮打蚊子嘛！使用插值明明更简单啊！

　　有明确规范的NodeJS方法用于处理路由以及URL请求参数，主要是基于以下两个原因：

　　1、插值在轻量级应用下还好；

　　2、为了养成良好的习惯，应当每天使用。

爬网和抓取

　　向服务器应用程序的逻辑中心添加两个文件：

　　·crawler.js：包含用于向 Web 服务器发送请求和接收网页标记的爬网程序类；

　　·parser.js：包含解析器类，其中包含用于抓取标记和获取目标数据的方法。

　　/project_root

　　|__ /src

　　| ? |__ /constants

　　| | ?|__ categories.js

　　| ? |__ /helpers

　　| ? | ?|__ cookie-manager.js

　　| ? | ?|__ cookie-storage.js

　　| ? | ?|__ target-builder.js

　　****| ? |__ **crawler.js**

　　| ? |__ **parser.js**

　　|**__** .env

　　|__ **index.js**

　　首先，添加一个循环index.js，它将依次传递URL链接到爬取程序并接收解析后的数据：

// index.js

const crawler = new Crawler();

(async () => {
  // getting Cookie proccess
  // and url-links array...
  const { length: L } = targetUrls;

  // run a loop through the length of the array of url links
  for (let i = 0; i < L; i += 1) {
    // call the run method of the crawler for each link
    // and return parsed data
    const result = await crawler.run(targetUrls[i]);

    // do smth with parsed data...
  }
})();

　　爬取代码：

// crawler.js

require('dotenv').config();
const cheerio = require('cheerio');
const axios = require('axios').default;
const UserAgent = require('user-agents');

const Parser = require('./parser');
// getLocalCookie - closure function, returns localProcessedCookie
const { getLocalCookie } = require('./helpers/cookie-storage');

module.exports = class Crawler {
  constructor() {
    // create a class variable and bind it to the newly created Axios object
    // with the necessary headers
    this.axios = axios.create({
      headers: {
        cookie: getLocalCookie(),
        'user-agent': (new UserAgent()).toString(),
      },
    });
  }

  async run(url) {
    console.log('IScraper: working on %s', url);

    try {
      // do HTTP request to the web server
      const { data } = await this.axios.get(url);
      // create a cheerio object with nodes from html markup
      const $ = cheerio.load(data);

      // if the cheerio object contains nodes, run Parser
      // and return to index.js the result of parsing
      if ($.length) {
        const p = new Parser($);

        return p.parse();
      }
      console.log('IScraper: could not fetch or handle the page content from %s', url);
      return null;
    } catch (e) {
      console.log('IScraper: could not fetch the page content from %s', url);

      return null;
    }
  }
};

　　解析器的任务是在接收到 cheerio 对象时选择数据，然后为每个 URL 链接构建以下结构：

[
  {
    "Title":"Graphic relaxed-fit T-shirt | Women",
    "CurrentPrice":25.96,
    "Currency":"

使用NodeJS请求抓取带有进程Cookie认证的站点译文精选

简介

术语规定

获取授权Cookie

URL生成器

爬网和抓取

相关文章

用户评论

发表评论

最新内容