nodejs爬蟲筆記(三)
阿新 • • 發佈:2017-07-30
target ole n+2 如何獲取 利用 mod git brush 所有
思路:通過筆記(二)中代理的設置,已經可以對YouTube的信息進行爬取了,這幾天想著爬取網站下的視頻信息。通過分析YouTube,可以從訂閱號入手,先選擇幾個訂閱號,然後爬取訂閱號裏面的視頻分類,之後進入到每個分類下的視頻列表,最後在具體到每一個視頻,獲取需要的信息。以訂閱號YouTube 電影為例。
一、爬取YouTube 電影裏面的視頻分類列表
打開訂閱號,我們可以發現訂閱號下有許多視頻分類如下圖所示,接下來可以解析該訂閱號信息,把視頻分類的URL和名稱爬取下來。
接下來我們通過瀏覽器點擊檢查查看網頁,分析下如何獲取分類,可以發現所有的視頻分類都在ul 下的 li 裏面,通過ul的id 我們便可以找到分類的相關信息,因此我們可以利用cheerio模塊來解析頁面,從而獲取分類信息。
先將獲取分類信息的相關代碼分裝成一個函數function categoryList (url , callback){},代碼如下:
var request =require(‘superagent‘); require(‘superagent-proxy‘)(request); var cheerio = require(‘cheerio‘); var debug = require(‘debug‘)(‘youtube:test:category-list‘); var proxy = ‘http://127.0.0.1:61481‘;//設置代理IP地址 //請求頭信息 var header = { ‘Accept‘:‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8‘, ‘Accept-Encoding‘:‘gzip, deflate, sdch, br‘, ‘Accept-Language‘:‘zh-CN,zh;q=0.8,en;0.6‘, ‘Cookie‘:‘WKcs6.resume=; _ga=GA1.2.1653214693.1476773935; _gid=GA1.2.943573022.1500212436; YSC=_X6aKoK1jMc; s_gl=1d69aac621b2f9c0a25dade722d6e24bcwIAAABVUw==; VISITOR_INFO1_LIVE=T3BczuPUIQo; PREF=hl=zh-CN&cvdm=grid&gl=US&f1=50000000&al=zh-CN&f6=1&f5=30; SID=7gR6XOImfW5PbJLOrScScD4DXf8cHCkWCkxSUFy9CbhnaFaPLBCVCElv97n_mjWgkPC_ow.; HSID=A0_bKgPkAZLJUfnTj; SSID=ASjQTON7p_q4UNgit; APISID=ZIVPX9a3vUKRa28E/A0dykxLiVJ4xDIUS_; SAPISID=t6dcqHC9pjGsE7Bi/ATm5wgRC27rqUQr5B; CONSENT=YES+CN.zh-CN+20160904-14-0; LOGIN_INFO=APUNbegwRQIhAPnMZ-qYHOSAKq0s9ltEQIUvnWNj9CHQ8J5s2JtZK15TAiBLzfS4HEUh-mWGo2Qo6XOruItGRdpPZ2v3cXLqYY7xtA:QUZKNV9BajdRR2VZQ2QyRlVDdXh3VDdKZ1AzMlFqRmg3aTBfR2pxWXFHWXlXYm1BaVVnQWk4UzZfWmZGSGcxRkNuTDBFYTk2a2tKLUEtNmtNaWZKM3hTMWNTZkgyOVlvTF9DNENwTG5XTlJudEVHQzVIeGxMbTFTdkl6YS02QlBmMmM0NVgteWI3QVNIa3c5c2ZkV1NSa3AzbWhwOHBtbzVrVTVSbTBqaWpIZ0dWNTd4UjJRSllr‘, ‘Upgrade-insecure-requests‘:‘1‘, ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.59 Safari/537.36‘, ‘X-Chrome-Uma-Enabled‘:‘1‘, ‘X-Client-Data‘:‘CJa2yQEIorbJAQjBtskBCKmdygE=‘, ‘Connection‘: ‘keep-alive‘ }; //獲取訂閱號下視頻分類列表 function categoryList (url , callback){ debug(‘讀取訂閱號下視頻分類列表‘,url); request .get(url)//需要獲取的網址 .set(‘header‘,header) .proxy(proxy) .end(onresponse); function onresponse(err,res){ //res.setEncoding(‘utf-8‘); //防止中文亂碼 if(err){ return callback(err); }else{ console.log(‘status:‘+res.status);//打印狀態碼 //console.log(res.text); var $ = cheerio.load(res.text); //獲取訂閱號Id var $channelName = $(‘#c4-primary-header-contents .branded-page-header-title a‘).attr(‘href‘); var $channelId = $channelName.match(/channel\/([a-zA-Z0-9_-]+)/); var categoryList = []; $(‘#browse-items-primary .branded-page-module-title‘).each(function(){ var $category = $(this).find(‘a‘).first(); var item = { name : $category.text().trim(), url : ‘https://www.youtube.com‘ + $category.attr(‘href‘) }; //根據URL判斷為訂閱號或者是視頻分類 if(item.url.indexOf(‘list‘)!==-1){ item.channelId = $channelId[1]; }else{ var s = item.url.match(/channel\/([a-zA-Z0-9_-]+)/); item.id = s[1]; } //獲取youtube某個訂閱號下的視頻分類 if(item.name!==‘‘){ categoryList.push(item); } }); callback(null,categoryList); } } }
接著調用categoryList函數:
categoryList(‘https://www.youtube.com/channel/UClgRkhTL3_hImCAmdLfDE4g‘,function(err,categoryList){ if(err){ return console.log(err); } return console.log(categoryList); });
在後臺運行就得到了視頻分類信息,這是會發現視頻分類裏面又包含了某些訂閱號,而我們只需要提取視頻分類。
去除訂閱號信息(當然也可以添加到訂閱號列表,然後再依次讀取訂閱號下的視頻分類)
//獲取youtube某個訂閱號下的視頻分類 if(item.name!==‘‘){ categoryList.push(item); } 替換為 //獲取youtube某個訂閱號下的視頻分類 if(item.categoryName!==‘‘&&item.hasOwnProperty(‘channelId‘)){ categoryList.push(item); }
這是再運行會發現訂閱號的信息已經剔除了,接下來進入到下一層,通過視頻分類獲取視頻列表
二、獲取視頻列表
我們以最賣座電影為例,獲取其下面的視頻列表。點擊打開頁面,我們會發現該分類下視頻列表全部在在裏面,我們同樣只獲取其url 以及名稱。
點擊檢查(ps:我用的Google瀏覽器),先查看下網頁結構,再用cheerio進行解析。檢查發現我們可以通過tbody中的tr獲取每個視頻。
nodejs爬蟲筆記(三)