实现一个简易爬虫&启动定时任务

爬虫

目前 node.js 爬虫工具比较火的有 node-crawler puppeteer。不过我目前没打算用这些，因为至少现在我们的项目还用不到。只要能发送请求、解析dom我们就能自己实现一个爬虫。所以我选择了axios + cheerio来自己写爬虫。

首先我们用 axios + cheerio 来获取首页编辑推荐文章，并解析出这篇文章的正文部分。

// controller/crawler.js 文件const axios = require('axios');const cheerio = require('cheerio');// articleCtrl是一个写好了的controller，里面有存储数据到mongo的逻辑。const articleCtrl = require('./article');async function cnblogs () {    const res = await axios.get('https://www.cnblogs.com/');    // 把axios得到的数据用cheerio解析，解析后的$对象拥有jquery的能力，可以通过jquery api直接操作dom    const $ = cheerio.load(res.data);    const $href = $('#editor_pick_lnk');    let name = $href.text();    // 找到编辑推荐文章的url，继续访问该页面    let href = $href.attr('href');    const subRes = await axios.get(href);    const $$ = cheerio.load(subRes.data);    // 获得编辑推荐文章的正文部分的html    const bodyStr = $$('#cnblogs_post_body').html();    // 存入mongodb，具体articleCtrl.create方法的实现可以从项目源码中看，位置express/controller/article.js    const cRes = await articleCtrl.create({        from: 'cnblogs',        title: name,        article: bodyStr,        hot_level: 1,        favor: 1,        comment: 1    });};module.exports = {    cnblogs};

通过上面简单的代码，我们就能把推荐文章正文部分存到数据库。接下来要创建定时任务，把每天的推荐文章都存到自己的数据库了。

定时任务
实例
定时任务工具我选择 node-schedule ，先上实例，后面再详细讲下用法。

// schedule/index.js 文件var schedule = require('node-schedule');// 可以按照cron的格式设置function runSchedule (cb) {    // cron风格的配置：每天上午10点执行一次    schedule.scheduleJob('0 0 10 * * *', function () {        console.log('定时任务执行一次');            cb && cb();    });    // object风格的配置：每天上午10点执行一次    // 注意，这里需要加minute:0， 否则10点的每一分钟都执行一次。    schedule.scheduleJob({hour: 10, minute: 0}, function () {        console.log('定时任务执行一次');            cb && cb();    });}

module.exports = runSchedule;
接下来讲讲 cron 与 object 两种配置风格的差异。

建议大家直接用 cron 风格的配置方式。当我第一次看到 object 配置风格的时候也觉得很人性化，可用过后会发现坑太多，越用成本越大。不信可以慢慢看

object风格

// 每天上午7点的每分钟都执行一次 (本以为会每天7点执行一次)let obj = { hour: 7};// 同上let obj = { hour: 7, minute: null};// 上午7点整执行一次let obj = { hour: 7, minute: 0};// 每秒执行一次let obj = { second: null }// 每分钟执行一次let obj = { hour: null }; // 费解，这个不应该是每小时执行一次吗// 每分钟执行一次let obj = { minute: null };// 每小时执行一次let obj = { hour: null, minute: 0 }cron风格定时器* * * * * * 每秒执行一次0 * * * * * 每分钟的第0秒执行一次0 0 * * * * 每小时的0分0秒执行一次0 0 7 * * * 每天早上7点的0分0秒执行一次0 0 7 1 * * 每月的1日早上7点0分0秒执行一次0 0 7 * * 1 每周1的早上7点0分0秒执行一次对比完了这两种风格能明显的看出：虽然 object 更人性化但个人觉的有点中看不中用的感觉。尤其是对于个性化的配置，object 显的很蹩脚，而且你根本没法查，没那么多使用说明给到你。相比下 cron 本身就是linux的通用定时任务，各种玩法都被人用了多少遍了。

启动定时任务
最后，在 app.js 补上下面的逻辑，node app.js 启动服务，等待定时任务的执行吧。

const runSchedule = require('./schedule');const crawlerCtrl = require('./controller/crawler');function listen () {    app.listen('3000', () => {        console.log('listen: 3000');        // 开启自动脚本        runSchedule(function() {            crawlerCtrl.cnblogs();        })    });}