- yarn
- yarn start
- 浏览器访问:http://localhost:3000/
- 支持对列表和分页(包括js分页)的识别与抓取
- 支持对文章详情页面的抓取
- 支持js分页的列表抓取
- 针对更多国内网站进行了优化
- 支持 HTML5 标签 ( article, section)
- 支持GBK、GB2312等编码
- 自动将图像和链接的相对 URL 转换为绝对 URL
-
网站第一次分析了之后,给这个网站一堆标记,然后第二次分析的时候直接根据标记优化即可。标记使用参数传入即可。
-
使用 linkedom 进行实例化,如果我们认为此也为列表页面,并且分页是js渲染的分页,就改成 jsdom进行实例化。 - 仅列表页面需要使用jsdom
-
SPA 页面需要使用无头浏览器获取html,在用jsdom来实例化(处理分页逻辑)。 - 仅列表页面需要使用jsdom
-
有的框架会把文章放到
#vsb_content
,.TRS_Editor
中 -
有些框架会有两个body, 而文章在第二个body中
- 视觉分析 - 模拟真实用户,分析字号、字体、颜色信息,最终确定一个区域为内容区。
- 模板配置 - 先确认模板,如果匹配到模板直接按照模板的标准抓取。
- 规则匹配 - 属于模板的一种,例如指定规则为有time\title\author\content。此时content是正文。
- 关键字匹配 - 正文、content、title等文案或者class。
- 深度学习 - 利用深度学习库,进行训练学习。
- 外层要处理的问题,一样都少不了。SPA、编码、相对链接等
- 文本分行后的文本密度 或者 标签密度 进行判断。
- 密度判断对短文无效
本项目采取 计算不同节点的权重,通过贪心策略获取更好的节点, 最终获得文章。
制定规则,就代表我们要放弃规则之外的东西
详情页
正文内容a标签密度小于 5% (a的文本量 / 全部文本)
逗号只存在于内容中,正文内容包含大量的标点符号
获取正文标题:
- 提取网页的 title \ .title \ #title \ h1 \ h2
正文长度大于50
列表
是个链接,但是链接内容更长
列表内容比例~
自古以来:滑动、pdf、图片、弹窗、以及一部分JS渲染形式,都不处理
- 内容是一张图片
正常抓取内容 虽然不准确,但是没关系。
https://www.shupl.edu.cn/jjfxy/2022/0929/c4267a115624/page.htm
- 详情页是文件下载
不支持 通过文档类型判断直接过滤为不支持。
https://xb.gdou.edu.cn/__local/C/8F/5C/963522D57066B23D96CE97CDE6B_751CF413_C200.doc?e=.doc
- 滑动
需要配置header头(cookie) 页面判断我们为爬虫,返回了滑动验证
https://www.ccdi.gov.cn/yaowenn/202304/t20230411_258083.html
- 详情页为弹出窗口。
不处理。 没有详情页,对于详情页抓取来说,不存在这种情况。
https://jxjy.sitsh.edu.cn/info?type=1
拿iframe里的html, 有的pdf需要滚动才能拿到全部html;
iframe: (class id 一定包含pdf 并且 src结尾一定是pdf)
https://zs.jmi.edu.cn/3b/69/c1702a80745/page.htm
- 加密 -JS渲染,不过可以通过转码,拿到数据。
https://www.sdjnwx.com/articles/1171
https://www.sdjnwx.com/articles/1131
- JS 加载 - 暂时不处理
https://www.shjgu.edu.cn/2023/0411/c235a32886/page.htm
https://www.shjgu.edu.cn/2023/0411/c235a32882/page.htm
https://www.zhjpec.edu.cn/MobileContent?id=1632554595328409602
https://www.jxmtc.com/info/1041/9948.htm
- JS 加载 - 内容详情为一张图片
https://www.whzkb.cn/#/detail?pageid=820&typeid=5
拆分type添加encoding 处理不同的编码,gbk、GB2312支持判断页面是否符合分析逻辑http与https认证入口代码编写- jsdom linkdom 实现对SPA抓取,并且提供足够的优化,或许还需要加入puppeteer。
- jsdom 可以执行js
- linkdom 更快
- 列表规则、分页规则
- 部分页面需要设置cookie - 得添加cookie设置的功能