Node.js大众点评爬虫
大众点评上有很多美食餐馆的信息，正好可以拿来练练手Node.js。
1. API分析
大众点评开放了查询商家信息的API，这里给出了城市与cityid之间的对应关系，链接http://m.api.dianping.com/searchshop.json?®ionid=0&start=0&categoryid=10&sortid=0&cityid=110以GET方式给出了餐馆的信息（JSON格式）。首先解释下GET参数的含义：
- start为步进数，表示分步获取信息的index，与
nextStartIndex字段相对应； - cityid表示城市id，比如，合肥对应于110；
- regionid表示区域id，每一个id代表含义在start=0时
rangeNavs字段中有解释； - categoryid表示搜索商家的分类id，比如，美食对应的id为10，具体每一个id的含义参见在start=0时
categoryNavs字段； - sortid表示商家结果的排序方式，比如，0对应智能排序，2对应评价最好，具体每一个id的含义参见在start=0时
sortNavs字段。
在GET返回的JSON串中list字段为商家列表，id表示商家的id，作为商家的唯一标识。在返回的JSON串中是没有商家的口味、环境、服务的评分信息以及经纬度的；因而我们还需要爬取两个商家页面：http://m.dianping.com/shop/<id>、http://m.dianping.com/shop/<id>/map。
通过以上分析，确定爬取策略如下（与dianping_crawler的思路相类似）：
- 逐步爬取searchshop API的取商家基本信息列表；
- 通过爬取的所有商家的id，异步并发爬取评分信息、经纬度；
- 最后将三份数据通过id做聚合，输出成json文件。
2. 爬虫实现
Node.js爬虫代码用到如下的第三方模块：
- superagent，轻量级http请求库，模仿了浏览器登录；
- cheerio，采用jQuery语法解析HTML元素，跟Python的PyQuery相类似；
- async，牛逼闪闪的异步流程控制库，Node.js的必学库。
导入依赖库：
var util = require("util");
var superagent = require("superagent");
var cheerio = require("cheerio");
var async = require("async");
var fs = require('fs');
声明全局变量，用于存放配置项及中间结果：
var cityOptions = {
"cityId": 110, // 合肥
// 全部商区, 蜀山区, 庐阳区, 包河区, 政务区, 瑶海区, 高新区, 经开区, 滨湖新区, 其他地区, 肥西县
"regionIds": [0, 356, 355, 357, 8840, 354, 8839, 8841, 8843, 358, -922],
"categoryId": 10, // 美食
"sortId": 2, // 人气最高
"threshHold": 5000 // 最多餐馆数
};
var idVisited = {}; // used to distinct shop
var ratingDict = {}; // id -> ratings
var posDict = {}; // id -> pos
判断一个id是否在前面出现过，若object没有该id，则为undefined（注意不是null）：
function isVisited(id) {
if (idVisited[id] != undefined) {
return true;
} else {
idVisited[id] = true;
return false;
}
}
采取回调函数的方式，实现顺序逐步地递归调用爬虫函数（代码结构参考了这里）：
function DianpingSpider(regionId, start, callback) {
console.log('crawling region=', regionId, ', start =', start);
var searchBase = 'http://m.api.dianping.com/searchshop.json?®ionid=%s&start=%s&categoryid=%s&sortid=%s&cityid=%s';
var url = util.format(searchBase, regionId, start, cityOptions.categoryId, cityOptions.sortId, cityOptions.cityId);
superagent.get(url)
.end(function (err, res) {
if (err) return console.err(err.stack);
var restaurants = [];
var data = JSON.parse(res.text);
var shops = data['list'];
shops.forEach(function (shop) {
var restaurant = {};
if (!isVisited(shop['id'])) {
restaurant.id = shop['id'];
restaurant.name = shop['name'];
restaurant.branchName = shop['branchName'];
var regex = /(.*?)(\d+)(.*)/g;
if (shop['priceText'].match(regex)) {
restaurant.price = parseInt(regex.exec(shop['priceText'])[2]);
} else {
restaurant.price = shop['priceText'];
}
restaurant.star = shop['shopPower'] / 10;
restaurant.category = shop['categoryName'];
restaurant.region = shop['regionName'];
restaurants.push(restaurant);
}
});
var nextStart = data['nextStartIndex'];
if (nextStart > start && nextStart < cityOptions.threshHold) {
DianpingSpider(regionId, nextStart, function (err, restaurants2) {
if (err) return callback(err);
callback(null, restaurants.concat(restaurants2))
});
} else {
callback(null, restaurants);
}
});
}
在调用爬虫函数时，采用async的mapLimit函数实现对并发的控制（代码参考这里）；采用async的until对并发的协同处理，保证三份数据结果的id一致性（不会因为并发完成时间不一致而丢数据）：
DianpingSpider(0, 0, function (err, restaurants) {
if (err) return console.err(err.stack);
var concurrency = 0;
var crawlMove = function (id, callback) {
var delay = parseInt((Math.random() * 30000000) % 1000, 10);
concurrency++;
console.log('current concurrency:', concurrency, ', now crawling id=', id, ', costs(ms):', delay);
parseShop(id);
parseMap(id);
setTimeout(function () {
concurrency--;
callback(null, id);
}, delay);
};
async.mapLimit(restaurants, 5, function (restaurant, callback) {
crawlMove(restaurant.id, callback)
}, function (err, ids) {
console.log('crawled ids:', ids);
var resultArray = [];
async.until(
function () {
return restaurants.length === Object.keys(ratingDict).length && restaurants.length === Object.keys(posDict).length
},
function (callback) {
setTimeout(function () {
callback(null)
}, 1000)
},
function (err) {
restaurants.forEach(function (restaurant) {
var rating = ratingDict[restaurant.id];
var pos = posDict[restaurant.id];
var result = Object.assign(restaurant, rating, pos);
resultArray.push(result);
});
writeAsJson(resultArray);
}
);
});
});
其中，parseShop与parseMap分别为解析商家详情页、商家地图页：
function parseShop(id) {
var shopBase = 'http://m.dianping.com/shop/%s';
var shopUrl = util.format(shopBase, id);
superagent.get(shopUrl)
.end(function (err, res) {
if (err) return console.err(err.stack);
console.log('crawling shop:', shopUrl);
var restaurant = {};
var $ = cheerio.load(res.text);
var desc = $("div.shopInfoPagelet > div.desc > span");
restaurant.taste = desc.eq(0).text().split(":")[1];
restaurant.surrounding = desc.eq(1).text().split(":")[1];
restaurant.service = desc.eq(2).text().split(":")[1];
ratingDict[id] = restaurant;
});
}
function parseMap(id) {
var mapBase = 'http://m.dianping.com/shop/%s/map';
var mapUrl = util.format(mapBase, id);
superagent.get(mapUrl)
.end(function (err, res) {
if (err) return console.err(err.stack);
console.log('crawling map:', mapUrl);
var restaurant = {};
var $ = cheerio.load(res.text);
var data = $("body > script").text();
var latRegex = /(.*lat:)(\d+.\d+)(.*)/;
var lngRegex = /(.*lng:)(\d+.\d+)(.*)/;
if(data.match(latRegex) && data.match(lngRegex)) {
restaurant.latitude = latRegex.exec(data)[2];
restaurant.longitude = lngRegex.exec(data)[2];
}else {
restaurant.latitude = '';
restaurant.longitude = '';
}
posDict[id] = restaurant;
});
}
将array的每一个商家信息，逐行写入到json文件中：
function writeAsJson(arr) {
fs.writeFile(
'data.json',
arr.map(function (data) {
return JSON.stringify(data);
}).join('\n'),
function (err) {
if (err) return err.stack;
})
}
说点感想：Node.js天生支持并发，但是对于习惯了顺序编程的人，一开始会对Node.js不适应，比如，变量作用域是函数块式的（与C、Java不一样）；for循环体（{}）内引用i的值实际上是循环结束之后的值，因而引起各种undefined的问题；嵌套函数时，内层函数的变量并不能及时传导到外层（因为是异步）等等。
