环球网新闻爬虫脚本（NodeJs）

目录

• start.js 可执行文件
• config.json 配置文件
• data 数据保存的文件夹 （配置后自动生成）
  • news_detail.json 爬取新闻的列表数据
  • news_item.json 爬取的新闻详情数据

使用

// huanqiu-crawler模块导出的是一个可执行函数
const hc = require("huanqiu-news-crawler")
hc()

第一次使用，请关闭 config 的 isAutoAssignTime 属性，并配置 assignTime、maxScrollTop、maxNewsNumber

配置文件介绍

基本配置
"rootUrl" 爬虫目标的根地址（不可更改）
"newsType" 新闻类型，以及对应的链接
"isPrintInfoToConsole" 是否实时打印爬虫信息
"isAutoAssignTime" 是否开启自动匹配时间
"isScrollAwait" 是否开启滚动延迟
"isPageAwait" 是否开启页面关闭延时
"scrollAwaitTime" 页面滚动延时（默认单位：ms）
"pageAwaitTime" 页面关闭延时（默认单位：ms）
"isSavaToFile" 是否将数据保存到文件
"isSavaToDataBase" 是否将数据保存到Mysql数据库

数据配置
"assignTime" 将新闻以该时间进行筛选
"maxScrollTop" 最大滚动距离，相同条件下，滚动距离越大，数据获取越多（默认单位：px）
"maxNewsNumber" 爬取单类新闻的最大条数

数据库配置
"mysql_host" Mysql主机地址
"mysql_user" Mysql登录用户名
"mysql_password" Mysql登录口令
"mysql_database" 链接的数据库
"mysql_port" 端口号
"mysql_timezone" 时区

数据表结构

优化

优化爬虫的异步操作和流程
新增错误处理机制
实现新闻时间智能识别，按需爬取
解决了偶尔出现的未爬完数据就结束的Bug
新增了是否打印实时爬虫信息的功能