-
Notifications
You must be signed in to change notification settings - Fork 1.6k
Open
@coder-hxl
Description
x-crawl · npm GitHub license
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 。
更多
Metadata
Metadata
Assignees
Labels
No labels