實現一個簡易爬蟲&啟動定時任務

爬蟲

目前 node.js 爬蟲工具比較火的有 node-crawler puppeteer。不過我目前沒打算用這些，因為至少現在我們的項目還用不到。只要能發送請求、解析dom我們就能自己實現一個爬蟲。所以我選擇了axios + cheerio來自己寫爬蟲。

首先我們用 axios + cheerio 來獲取首頁編輯推薦文章，并解析出這篇文章的正文部分。

// controller/crawler.js 文件
const axios = require('axios');
const cheerio = require('cheerio');
// articleCtrl是一個寫好了的controller，里面有存儲數據到mongo的邏輯。
const articleCtrl = require('./article');

async function cnblogs () {
    const res = await axios.get('https://www.cnblogs.com/');
    // 把axios得到的數據用cheerio解析，解析后的$對象擁有jquery的能力，可以通過jquery api直接操作dom
    const $ = cheerio.load(res.data);
    const $href = $('#editor_pick_lnk');
    let name = $href.text();
    // 找到編輯推薦文章的url，繼續訪問該頁面
    let href = $href.attr('href');

    const subRes = await axios.get(href);
    const $$ = cheerio.load(subRes.data);
    // 獲得編輯推薦文章的正文部分的html
    const bodyStr = $$('#cnblogs_post_body').html();
    // 存入mongodb，具體articleCtrl.create方法的實現可以從項目源碼中看，位置express/controller/article.js
    const cRes = await articleCtrl.create({
        from: 'cnblogs',
        title: name,
        article: bodyStr,
        hot_level: 1,
        favor: 1,
        comment: 1
    });
};

module.exports = {
    cnblogs
};

通過上面簡單的代碼，我們就能把推薦文章正文部分存到數據庫。接下來要創建定時任務，把每天的推薦文章都存到自己的數據庫了。

定時任務
實例
定時任務工具我選擇 node-schedule ，先上實例，后面再詳細講下用法。

// schedule/index.js 文件
var schedule = require('node-schedule');

// 可以按照cron的格式設置
function runSchedule (cb) {
    // cron風格的配置：每天上午10點執行一次
    schedule.scheduleJob('0 0 10 * * *', function () {
        console.log('定時任務執行一次');
            cb && cb();
    });
    // object風格的配置：每天上午10點執行一次
    // 注意，這里需要加minute:0， 否則10點的每一分鐘都執行一次。
    schedule.scheduleJob({hour: 10, minute: 0}, function () {
        console.log('定時任務執行一次');
            cb && cb();
    });
}

module.exports = runSchedule;
接下來講講 cron 與 object 兩種配置風格的差異。

建議大家直接用 cron 風格的配置方式。當我第一次看到 object 配置風格的時候也覺得很人性化，可用過后會發現坑太多，越用成本越大。不信可以慢慢看

object風格

// 每天上午7點的每分鐘都執行一次 (本以為會每天7點執行一次)
let obj = { hour: 7};

// 同上
let obj = { hour: 7, minute: null};

// 上午7點整執行一次
let obj = { hour: 7, minute: 0};

// 每秒執行一次
let obj = { second: null }

// 每分鐘執行一次
let obj = { hour: null }; // 費解，這個不應該是每小時執行一次嗎

// 每分鐘執行一次
let obj = { minute: null };

// 每小時執行一次
let obj = { hour: null, minute: 0 }
cron風格定時器
* * * * * * 每秒執行一次
0 * * * * * 每分鐘的第0秒執行一次
0 0 * * * * 每小時的0分0秒執行一次
0 0 7 * * * 每天早上7點的0分0秒執行一次
0 0 7 1 * * 每月的1日早上7點0分0秒執行一次
0 0 7 * * 1 每周1的早上7點0分0秒執行一次
對比完了這兩種風格能明顯的看出：雖然 object 更人性化但個人覺的有點中看不中用的感覺。尤其是對于個性化的配置，object 顯的很蹩腳，而且你根本沒法查，沒那么多使用說明給到你。相比下 cron 本身就是linux的通用定時任務，各種玩法都被人用了多少遍了。

啟動定時任務
最后，在 app.js 補上下面的邏輯，node app.js 啟動服務，等待定時任務的執行吧。

const runSchedule = require('./schedule');
const crawlerCtrl = require('./controller/crawler');

function listen () {
    app.listen('3000', () => {
        console.log('listen: 3000');
        // 開啟自動腳本
        runSchedule(function() {
            crawlerCtrl.cnblogs();
        })
    });
}