x-crawl

x-crawl 是一个灵便的 nodejs 爬虫库。

如果对您有帮忙，能够给 x-crawl 存储库 点个 Star 反对一下。

特色

  • 只需简略的配置即可抓取页面、JSON、文件资源等等。
  • 内置 puppeteer 爬取页面 ，并用采纳 jsdom 库对页面解析。
  • 反对 异步/同步 形式爬取数据。
  • 反对 Promise/Callback 形式获取后果。
  • 轮询性能，定时爬取。
  • 拟人化的申请间隔时间。
  • 应用 TypeScript 编写，领有的类型提醒，提供泛型。

跟 puppeteer 的关系

crawlPage API 外部应用 puppeteer 库来帮忙咱们爬取页面。

咱们能够做以下操作:

  • 生成页面的屏幕截图和 PDF。
  • 抓取 SPA（单页应用程序）并生成预渲染内容（即“SSR”（服务器端渲染））。
  • 自动化表单提交、UI 测试、键盘输入等。

示例

定时爬取: 每隔一天就获取 bilibili 国漫主页的轮播图片为例:

// 1.导入模块 ES/CJSimport path from 'node:path'import xCrawl from 'x-crawl'// 2.创立一个爬虫实例const myXCrawl = xCrawl({  timeout: 10000, // 申请超时工夫  intervalTime: { max: 3000, min: 2000 } // 管制申请频率})// 3.设置爬取工作// 调用 startPolling API 开始轮询性能，每隔一天会调用回调函数myXCrawl.startPolling({ d: 1 }, () => {  // 调用 crawlPage API 爬取 Page  myXCrawl.crawlPage('https://www.bilibili.com/guochuang/').then((res) => {    const { browser, jsdom } = res // 默认应用了 JSDOM 库解析 Page    // 获取轮播图片元素    const imgEls = jsdom.window.document.querySelectorAll('.chief-recom-item img')    // 设置申请配置    const requestConfig = []    imgEls.forEach((item) => requestConfig.push(`https:${item.src}`))    // 调用 crawlFile API 爬取图片    myXCrawl.crawlFile({       requestConfig,       fileConfig: { storeDir: path.resolve(__dirname, './upload') }     })          // 敞开浏览器    browser.close()  })})

运行成果:

留神: 请勿随便爬取，爬取前可查看 robots.txt 协定。这里只是为了演示如何应用 x-crawl 。