Repository navigation
【开源自荐】一个灵活的 Node.js 多功能爬虫库 —— x-crawl #33
Description
x-crawl · 
x-crawl 是一个灵活的 Node.js 多功能爬虫库。灵活的使用方式和众多的功能可以帮助您快速、安全、稳定地爬取页面、接口以及文件。
如果你也喜欢 x-crawl ，可以给 x-crawl 存储库 点个 star 支持一下，感谢大家的支持！
GitHub：https://github.com/coder-hxl/x-crawl
特征
- 🔥 异步同步 - 只需更改一下 mode 属性即可切换异步或同步爬取模式。
- ⚙️ 多种用途 - 可爬页面、爬接口、爬文件以及轮询爬，满足各种场景需求。
- 🖋️ 写法灵活 - 同种爬取 API 适配多种配置，每种配置方式都非常独特。
- ⏱️ 间隔爬取 - 无间隔、固定间隔以及随机间隔，产生或避免高并发爬取。
- 🔄 失败重试 - 避免因短暂的问题而造成爬取失败，自定义重试次数。
- ➡️ 轮换代理 - 配合失败重试，自定义错误次数以及 HTTP 状态码自动轮换代理。
- 👀 设备指纹 - 零配置或自定义配置，避免指纹识别从不同位置识别并跟踪我们。
- 🚀 优先队列 - 根据单个爬取目标的优先级可以优先于其他目标提前爬取。
- ☁️ 爬取 SPA - 爬取 SPA（单页应用程序）生成预渲染内容（即“SSR”（服务器端渲染））。
- ⚒️ 控制页面 - 可以表单提交、键盘输入、事件操作、生成页面的屏幕截图等。
- 🧾 捕获记录 - 对爬取进行捕获记录，并在终端使用彩色字符串提醒。
- 🦾 TypeScript - 拥有类型，通过泛型实现完整的类型。
示例
以每天自动获取世界各地的经历和房间的一些照片为例：
// 1.导入模块 ES/CJS
import xCrawl from 'x-crawl'
// 2.创建一个爬虫实例
const myXCrawl = xCrawl({ maxRetry: 3, intervalTime: { max: 3000, min: 2000 } })
// 3.设置爬取任务
// 调用 startPolling API 开始轮询功能，每隔一天会调用回调函数
myXCrawl.startPolling({ d: 1 }, async (count, stopPolling) => {
// 调用 crawlPage API 来爬取页面
const res = await myXCrawl.crawlPage({
targets: [
'https://www.airbnb.cn/s/experiences',
'https://www.airbnb.cn/s/plus_homes'
],
viewport: { width: 1920, height: 1080 }
})
// 存放图片 URL 到 targets
const targets = []
const elSelectorMap = ['._fig15y', '._aov0j6']
for (const item of res) {
const { id } = item
const { page } = item.data
// 等待页面加载完成
await new Promise((r) => setTimeout(r, 300))
// 获取页面图片的 URL
const urls = await page!.$$eval(
`${elSelectorMap[id - 1]} img`,
(imgEls) => {
return imgEls.map((item) => item.src)
}
)
targets.push(...urls)
// 关闭页面
page.close()
}
// 调用 crawlFile API 爬取图片
await myXCrawl.crawlFile({ targets, storeDir: './upload' })
})运行效果:
注意: 请勿随意爬取，爬取前可查看 robots.txt 协议。这里只是为了演示如何使用 x-crawl 。
Activity
[-]【开源自推】一个灵活的 nodejs 爬虫库 —— x-crawl[/-][+]【工具推荐】一个灵活的 nodejs 爬虫库 —— x-crawl[/+][-]【工具推荐】一个灵活的 nodejs 爬虫库 —— x-crawl[/-][+]【开源自荐】一个灵活的 Node.js 多功能爬虫库 —— x-crawl [/+]