Node-Crawler 技术文档
2024-12-20 06:58:11作者:舒璇辛Bertina
本文档旨在帮助用户使用和详细了解 Node-Crawler 项目,内容涵盖安装指南、使用说明、API 使用文档和安装方式。
安装指南
Node-Crawler 项目要求 Node.js 版本 18 或以上。特别注意的是,对于 Linux 操作系统,建议使用 Node.js 版本 18,因为测试中发现在更高版本的 Node.js 上存在稳定性问题。
安装 Node-Crawler 的命令如下:
$ npm install crawler
项目的使用说明
Node-Crawler 项目提供了多种功能,包括服务器端 DOM 解析、自动 jQuery 插入、配置连接池大小和重试次数、控制速率限制、优先级队列请求以及字符集检测和转换。
基本用法
以下是一个基本的示例,展示了如何使用 Node-Crawler 异步爬取网页内容:
import Crawler from "crawler";
const c = new Crawler({
maxConnections: 10,
callback: (error, res, done) => {
if (error) {
console.log(error);
} else {
const $ = res.$;
console.log($("title").text());
}
done();
},
});
c.add("http://www.amazon.com");
速率限制
使用 rateLimit
选项来控制爬取速度:
const c = new Crawler({
rateLimit: 1000,
callback: (err, res, done) => {
console.log(res.$("title").text());
done();
},
});
c.add(tasks);
自定义参数
通过 userParams
选项传递自定义参数,在回调函数中访问:
c.add({
url: "http://www.google.com",
userParams: {
parameter1: "value1",
parameter2: "value2",
parameter3: "value3",
},
});
console.log(res.options.userParams);
原始数据
爬取文件时,设置 encoding
为 null
以获取原始数据:
import Crawler from "crawler";
import fs from "fs";
const c = new Crawler({
encoding: null,
jQuery: false,
callback: (err, res, done) => {
if (err) {
console.error(err.stack);
} else {
fs.createWriteStream(res.options.userParams.filename).write(res.body);
}
done();
},
});
c.add({
url: "https://raw.githubusercontent.com/bda-research/node-crawler/master/crawler_primary.png",
userParams: {
filename: "crawler.png",
},
});
请求预处理
使用 preRequest
选项在请求发送前执行同步或异步操作:
const c = new Crawler({
preRequest: (options, done) => {
console.log(options);
done();
},
callback: (err, res, done) => {
if (err) {
console.log(err);
} else {
console.log(res.statusCode);
}
},
});
c.add({
url: "http://www.google.com",
preRequest: (options, done) => {
setTimeout(() => {
console.log(options);
done();
}, 1000);
},
});
项目 API 使用文档
Crawler 类
- Event: 'schedule': 当任务被添加到队列时触发。
- Event: 'limiterChange': 当限速器状态改变时触发。
- Event: 'request': 当请求发送时触发。
- Event: 'drain': 当队列中的所有任务都完成后触发。
- crawler.add(url|options): 添加一个或多个任务到队列。
- crawler.queueSize: 获取队列中的任务数量。
选项
全局选项
- silence: 是否禁用日志输出。
- maxConnections: 最大并发连接数。
- priorityLevels: 优先级级别数。
- rateLimit: 速率限制时间(毫秒)。
- skipDuplicates: 是否跳过重复的 URL。
- homogeneous: 是否启用同构模式。
- userAgents: 用户代理列表。
Crawler 通用选项
- url | method | headers | body | searchParams...: 请求的 URL、方法、头部、主体和查询参数。
- forceUTF8: 是否强制使用 UTF-8 编码。
- jQuery: 是否启用 jQuery。
- encoding: 响应编码(默认为 'utf8')。
- rateLimiterId: 限速器 ID。
- retries: 重试次数。
- retryInterval: 重试间隔时间(毫秒)。
- timeout: 请求超时时间(毫秒)。
- priority: 请求优先级。
- skipEventRequest: 是否跳过请求事件。
- html: 要爬取的 HTML 内容。
- proxies: 代理列表。
- proxy: 代理服务器。
- http2: 是否启用 HTTP/2。
- referer: 引荐来源。
- userParams: 自定义参数。
- preRequest: 请求预处理函数。
- callback: 请求回调函数。
项目安装方式
Node-Crawler 项目可以通过 npm 包管理器进行安装:
$ npm install crawler
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp音乐播放器项目中的函数调用问题解析2 freeCodeCamp论坛排行榜项目中的错误日志规范要求3 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析4 freeCodeCamp全栈开发课程中React实验项目的分类修正5 freeCodeCamp课程视频测验中的Tab键导航问题解析6 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析7 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析8 freeCodeCamp课程页面空白问题的技术分析与解决方案9 freeCodeCamp博客页面工作坊中的断言方法优化建议10 freeCodeCamp 课程中关于角色与职责描述的语法优化建议
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
509