# egg-example **Repository Path**: richard1015/egg-example ## Basic Information - **Project Name**: egg-example - **Description**: eggjs 框架 主要功能1. 定时爬虫ReadHub 2. 转接ReadHub api接口 提供给News小程序使用 - **Primary Language**: JavaScript - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 2 - **Forks**: 0 - **Created**: 2018-06-13 - **Last Updated**: 2021-10-02 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # eggTest 最近做了一款 高仿ReadHub小程序 微信小程序 canvas 自动适配 自动换行，保存图片分享到朋友圈 https://gitee.com/richard1015/News 具体代码已被开源，后续我会继续更新，欢迎指正 https://github.com/richard1015/egg-example https://gitee.com/richard1015/egg-example 你可能会像我一样，平常对科技圈发生的热点新闻很感兴趣。每天利用刚打开电脑的时候，又或者是工作间隙，浏览几个更新及时的科技资讯网站。但是，科技圈每天发生的热点新闻就那么几件。看来看去，新闻的重复度高，硬广软文还看了不少。不仅浪费时间，还抓不住重点。 ReadHub 通过爬虫各种科技新闻 大数据过滤筛选 （个人猜想，大概是这一个意思），所以自己写个爬虫把数据爬到自己mysql数据库中 代码思路： 通过网上各种调用 动态网站数据 爬虫分为两种解决方案 1.模拟浏览器请求 使用 相应框架 比如：Selenium、PhantomJs。 2.精准分析页面，找到对应请求接口，直接获取api数据。 优点：性能高，使用方便。我们直接获取原数据接口（换句话说就是直接拿取网页这一块动态数据的API接口），肯定会使用方便，并且改变的可能性也比较小。 缺点：缺点也是明显的，如何获取接口API?有些网站可能会考虑到数据的安全性，做各种限制、混淆等。这就需要看开发者个人的基本功了，进行各种分析了。 我个人在爬取ReadHub时，发现《热门话题》 列表是 无混淆，所以找到请求规律，爬取成功 ，剩下 开发者资讯、科技动态、区块链快讯、招聘行情 请求index被混淆，所以暂无成功。 我在本次采用第二种解决方案 chrome浏览器分析 1.使用chrome 调试工具 Mac 按 alt + cmd+ i Windows 按 F12 或者 右键检查 或 审查元素 找到Network 选中 xhr模块 ![预览1](https://images.gitee.com/uploads/images/2018/0718/173904_b4501c5f_1353184.png "1.png") 可通过图片中看到 每次滚动加载数据时 都会有api请求数据， 我们发现 下次触发滚动加载时，的lastCursor的值 为 上次请求的 数组中最后一个对象中的order值 所以我们发现 只是的请求 url地址为 https://api.readhub.me/topic?lastCursor=53058&pageSize=20 中 的lastCursor 动态设置，即可完成抓取数据 ![预览2](https://images.gitee.com/uploads/images/2018/0718/173945_5d73a8f2_1353184.png "2.png") 那么接下来 我们需要 建立mysql数据库 ``` CREATE DATABASE `news` /*!40100 DEFAULT CHARACTER SET utf8 COLLATE utf8_bin */; CREATE TABLE `news` ( `id` varchar(11) COLLATE utf8_bin NOT NULL, `order` double NOT NULL, `title` varchar(200) COLLATE utf8_bin NOT NULL, `jsonstr` json DEFAULT NULL, `createdAt` varchar(255) COLLATE utf8_bin DEFAULT NULL, `updatedAt` varchar(255) COLLATE utf8_bin DEFAULT NULL, `insertTime` datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_bin; ``` 然后就是编写 nodejs 中代码逻辑 我在下面的抓取冲采用 eggjs 框架中的 egg-mysql 进行连接数据库 https://eggjs.org/zh-cn/tutorials/mysql.html#egg-mysql 使用定时任务来 执行爬取数据 1.news.service 中代码实现 ``` // app/service/news.js const Service = require('egg').Service; class NewsService extends Service { async list(pageIndex = '', pageSize = '20') { try { // read config const { serverUrl } = this.config.readhub; // 热门话题 const topic = `${serverUrl}topic?lastCursor=${pageIndex}&pageSize=${pageSize}`; // use build-in http client to GET hacker-news api const result = await this.ctx.curl(topic, { dataType: 'json', } ); if (result.status === 200) { return result.data; } return []; } catch (error) { this.logger.error(error); return []; } } async saveDB(list) { try { const newsClient = this.app.mysql.get("news"); list.data.forEach(item => { // 插入 newsClient.insert('news', { id: item.id, order: item.order, title: item.title, jsonstr: JSON.stringify(item), createdAt: new Date(item.createdAt).getTime(), updatedAt: new Date(item.updatedAt).getTime(), }).then(result => { // 判断更新成功 const updateSuccess = result.affectedRows === 1; this.logger.info(item.id + " > " + updateSuccess); }).catch(error => { //入库失败错误机制触发 this.app.cache.errorNum += 1; }) }); } catch (error) { this.logger.error(error); } } } module.exports = NewsService; ``` 2.定时任务代码实现 update_cache.js ``` const Subscription = require('egg').Subscription; class UpdateCache extends Subscription { // 通过 schedule 属性来设置定时任务的执行间隔等配置 static get schedule() { return { interval: '5s', // 隔单位 m 分 、 s 秒、 ms 毫秒 type: 'all', // 指定所有的 worker 都需要执行 immediate: true, //配置了该参数为 true 时，这个定时任务会在应用启动并 ready 后立刻执行一次这个定时任务。 disable: false//配置该参数为 true 时，这个定时任务不会被启动。 }; } // subscribe 是真正定时任务执行时被运行的函数 async subscribe() { let ctx = this.ctx; ctx.logger.info('update cache errorNum = ' + ctx.app.cache.errorNum); // errorNum 当错误数量 > 50时 停止抓取数据 if (ctx.app.cache.errorNum > 50) { ctx.logger.info('errorNum > 50 stop '); return; } ctx.logger.info('update cache begin ! currentLastCursor = ' + ctx.app.cache.lastCursor); const pageIndex = ctx.app.cache.lastCursor || ''; const pageSize = '20'; const newsList = await ctx.service.news.list(pageIndex == 1 ? '' : pageIndex, pageSize); if (newsList.data.length == 0) { //没有数据时错误机制触发 this.app.cache.errorNum += 1; ctx.logger.info('no data stop ! currentLastCursor = ' + ctx.app.cache.lastCursor); } else { ctx.service.news.saveDB(newsList) ctx.app.cache.lastCursor = newsList.data[newsList.data.length - 1].order; ctx.logger.info('update cache end ! currentLastCursor set = ' + ctx.app.cache.lastCursor); } } } module.exports = UpdateCache; ``` update_cache_init.js ``` const Subscription = require('egg').Subscription; class UpdateCacheInit extends Subscription { // 通过 schedule 属性来设置定时任务的执行间隔等配置 static get schedule() { return { interval: 60 * 24 + 'm', // 隔单位 m 分 、 s 秒、 ms 毫秒 type: 'all', // 指定所有的 worker 都需要执行 immediate: true, //配置了该参数为 true 时，这个定时任务会在应用启动并 ready 后立刻执行一次这个定时任务。 disable: false//配置该参数为 true 时，这个定时任务不会被启动。 }; } // subscribe 是真正定时任务执行时被运行的函数 async subscribe() { let ctx = this.ctx; ctx.logger.info('update cache init'); if (ctx.app.cache.errorNum > 50) { //初始化内置缓存 ctx.app.cache = { lastCursor: '', errorNum: 0 //错误数量 }; } } } module.exports = UpdateCacheInit; ``` 项目运行图 ![预览3](https://images.gitee.com/uploads/images/2018/0718/174054_b61310fe_1353184.png "3.png") ![预览4](https://images.gitee.com/uploads/images/2018/0718/174103_6bfe2be5_1353184.png "4.png") ## QuickStart see [egg docs][egg] for more detail. ### Development ```bash $ npm i $ npm run dev $ open http://localhost:7001/ ``` ### Deploy ```bash $ npm start $ npm stop ``` ### npm scripts - Use `npm run lint` to check code style. - Use `npm test` to run unit test. - Use `npm run autod` to auto detect dependencies upgrade, see [autod](https://www.npmjs.com/package/autod) for more detail. [egg]: https://eggjs.org