本文内容已假定您已拥有一些 html 以及爬虫的基础知识
需求背景
这几天在做一款资源站产品,开发过程中需要一定的测试数据,就考虑从网络中的一些网站中爬取一些,但由于用量较少不想因此去写一个爬虫,而且需要对取回的数据能快速调整转换。
市场上虽然有很多爬虫工具和开源库,但大部分用下来都觉得过于“重”了。虽然需要获取的数据较少,但要求的即时性高、数据返回格式便于调整,在试用各种工具和库的时候,发现了一款基于cherrio 封装实现的库 temme,试用之后感觉真的是神器,所以也很希望分享给大家。
temme 是一个类 jQuery 的选择器,用于简洁优雅地从 HTML 文档中提取所需的 JSON 数据。有在线版本和 vscode-temme 插件,文尾有开源库地址。
案例实践
实战一个例子体验一下:
要求如下:
从一个设计资源站 design.maliquankai.com,中提取一些 JSON 格式内容数据,网站如下:
需要将网站 html 内容提取为以下格式的数据:
<code> "图库": [
{
"cover": "images/img/pexels.jpg",
"guid": "https://www.pexels.com",
"description": "免费高品质图片下载网站",
"title": "Pexels",
"content": "提供海量共享图片素材,每周都会定量更新,所有的图片都会显示详细的信息,例如拍摄的相机型号、光圈、焦距、ISO、图片大分辨率等,高清大图质量很不错。"
},
……
/<code>
用浏览器查看网站的 html 源,它的内容格式部分如下:
<code>
图库网站已收录36个网站
……
/
/<code>
需求和源都准备就绪,开始实操:
1 安装环境
<code># 全局安装 temme
yarn global add temme
/<code>
2 编写 temme 选择器
temme 原理是根据 CSS 选择器语法从 HTML 文档/片段中抓取想要的数据。语法支持JavaScript 字面量(string/number/null/boolean/RegExp)
将下面内容,存为 selector.temme 文件
<code>// 因为这个是可重复利用的代码,可以写成代码片断供下面抓取的语法共享使用
@contentInfo = {
img[data-class="lazy" src="//p2.ttnews.xyz/loading.gif" data-original=$cover class="lazy" data-original=$imgUrl];
a[href=$guid];
.case-info-logo p{$description};
.case-info-title {$title};
.case-info-text {$content}
};
// 这个 floor1 对应 html 文档中的 ,由此可以分区域抓取
.floor1 li@插画{
@contentInfo;
};
.floor2 li@图库{
@contentInfo;
};
//<code>
执行以下命令
<code>curl -s https://design.maliquankai.com/ | temme selector.temme --format
# 输出如下:
#{
# "插画": [
# {
# "cover": "images/illustration/undraw.jpg",
# "guid": "https://undraw.co/illustrations",
# "description": "一个扁平化插画图库",
# "title": "unDraw",
# "content": "unDraw是由Katerina Limpitsouni创建的一个扁平化插画图库,从网站上就可以直接调整所有插图的主要颜色,支持下载SVG和PNG格式,不需要标示出处,可用于商业用途。"
# },
# ……
# ],
# "图库": [
# {
# "cover": "images/img/pexels.jpg",
# "guid": "https://www.pexels.com",
# "description": "免费高品质图片下载网站",
# "title": "Pexels",
# "content": "提供海量共享图片素材,每周都会定量更新,所有的图片都会显示详细的信息,例如拍摄的相机型号、光圈、焦距、ISO、图片大分辨率等,高清大图质量很不错。"
# },
# ……
# ]
#}
/<code>
很好,得到了我想要的结果,那么如果还是觉得麻烦,也可以使用它的在线网站进行操作,我建议用以下几种方式使用:
1、安装全局环境,使用 tmme 命令2、安装 VSCode 插件 vscode-temme) 在VSCode 中直接执行,可以方便抓取回的内容直接编排(强烈推荐)3、在自己的项目中引用
下面演示一下在 vscode 中的操作,这个是官方插件中的示例,我后面的一些使用也都基于 vscode-temme 插件,非常方便。
相关资料
temme 源码库 https://github.com/shinima/temme
常用爬虫库
https://scrapy.org/
https://github.com/cheeriojs/cheerio
https://github.com/puppeteer/puppeteerthal
閱讀更多 劉佰晟 的文章