个人闲暇项目-爬虫类项目架构设计
ccwgpt 2024-11-07 09:47 30 浏览 0 评论
自己平时工作已经很忙了，但是在闲暇之余还是想要搞点自己的项目，活着总得有点自己的乐趣吧。
项目一
之前自己对几个网站的公示名单比较感兴趣，官网上的这些公示页面一般是有有效期的，就是这些网页可能过了一周左右就下掉了，访问就是404了。我自己就想把这数据给记录下来到自己的数据库，方便自己后期查询。
有个相关的QQ群里面有部分年份范围内的数据统计excel，并且最新公示的也会及时收录。excel就比较简单了，可以直接用个npmxlsx包解析excel然后存储，但是总觉得没什么意思，还是希望自己做个项目直接爬取官网的数据，不用每次等群主（或自己）将数据复制到excel，然后再让项目跑一遍。
这是一个类似于爬虫的项目吧，里面用到了superagent、cheerio，前者是根据URL抓取到HMTL内容，后者是将HTML内容转换成查询的结构，这样我们可以使用类似$('tr td')的查询语法获取数据。
把项目的设计成下面几个步骤然后事件驱动串联起来
请求url -- 爬取 -- 解析 -- 数据整理 -- 存储
请求url
列表
- 列表页需要找到分页器的位置，然后获取对应的A标签并获取url
这种在从列表首页开始后，还需要配合抓取解析到下一页的入口。流程是 请求 -- 爬取 -- 解析 -- 请求 -- 爬取 -- 解析 -- 交替进行
- 直接通过url来直接知道对应页码的url的，比如index_2.html、index_3.html
- SPA页面直接发送ajax请求的，直接根据动态参数调用接口
详情
这种公示数据一般是以表格形式发布的，获取对应的tr td数据。
同时通过title获取详情页其它位置获取到当前公示名单类别、日期等信息。
爬取
主要负责爬取指定url的内容，再将数据告知下一个流程解析，但是需要告知当前爬取的结果是列表页数据还是详情页数据，方便解析时安装不同的选择器解析目标数据
解析
根据不同官网的配置获取不同的详情、列表（可选）选择器。
- 列表数据的话，解析到url，直接告知爬取流程继续爬取
- 详情数据的话将解析数据告知数据整理流程
数据整理
将数据根据不同官网整理成统一的数据结构，交付下一个流程存储
存储
将整理好的数据存入数据库，做好唯一索引数据的更新
鉴于大部分官网的结构较为类似，可以抽象公共的基类，部分官网继承基类。
项目二
提交自己网站的sitemap里面的所有url，sitemap是博客插件自行生成的的，应该也是直接根据查询数据库数据获得的，这部分我就没有自行实现了，现状就是，我能知道自己网站的网页的sitemap，里面有对应的url，但是sitemap是xml结构（有chrome插件可以把xml转成html接口查看），我没法简单的用docuemnt.querySelectAll
所以就直接复用项目一里面的流程即可
因为这部分数据不需要保存至数据库，主要是提交给各大搜索引擎接口，所以可以直接打印在控制台，或者是写入文件即可。
可以将项目一中的五大流程中的数据整理直接打印数据或者生成文件即可，数据停止流转。
总结
前期整个项目流程的启动没有做控制，也就是node项目运行起来就开始了第一流程，然后经由事件驱动后续的四个流程，然后流程完结。 为了减少自己手动触发，后面将项目进行了调整：启动服务器，经由前端调用接口后触发第一流程。这样方便将项目部署在服务器上，需要获取最新数据的时候，直接访问指定路由即可。
相关推荐
- 一个基于.Net Core遵循Clean Architecture原则开源架构
-
今天给大家推荐一个遵循CleanArchitecture原则开源架构。项目简介这是基于Asp.netCore6开发的，遵循CleanArchitecture原则，可以高效、快速地构建基于Ra...
- AI写代码翻车无数次，我发现只要提前做好这3步，bug立减80%
-
写十万行全是bug之后终于找到方法了开发"提示词管理助手"新版本那会儿，我差点被bug整崩溃。刚开始两周，全靠AI改代码架构，结果十万行程序漏洞百出。本来以为AI说没问题就稳了，结果...
- OneCode低代码平台的事件驱动设计:架构解析与实践
-
引言：低代码平台的事件驱动范式在现代软件开发中，事件驱动架构（EDA）已成为构建灵活、松耦合系统的核心范式。OneCode低代码平台通过创新性的注解驱动设计，将事件驱动理念深度融入平台架构，实现了业务...
- 国内大厂AI插件评测:根据UI图生成Vue前端代码
-
在IDEA中安装大厂的AI插件，打开ruoyi增强项目：yudao-ui-admin-vue31.CodeBuddy插件登录腾讯的CodeBuddy后，大模型选择deepseek-v3，输入提示语：...
- AI+低代码技术揭秘(二):核心架构
-
本文档介绍了为VTJ低代码平台提供支持的基本架构组件，包括Engine编排层、Provider服务系统、数据模型和代码生成管道。有关UI组件库和widget系统的信息，请参阅UI...
- GitDiagram用AI把代码库变成可视化架构图
-
这是一个名为gitdiagram的开源工具，可将GitHub仓库实时转换为交互式架构图，帮助开发者快速理解代码结构。核心功能一键可视化：替换GitHubURL中的"hub...
- 30天自制操作系统:第六天:代码架构整理与中断处理
-
1.拆开bootpack.c文件。根据设计模式将对应的功能封装成独立的文件。2.初始化pic:pic(可编程中断控制器)：在设计上，cpu单独只能处理一个中断。而pic是将8个中断信号集合成一个中断...
- AI写代码越帮越忙?2025年研究揭露惊人真相
-
近年来，AI工具如雨后春笋般涌现，许多人开始幻想程序员的未来就是“对着AI说几句话”，就能轻松写出完美的代码。然而，2025年的一项最新研究却颠覆了这一期待，揭示了一个令人意外的结果。研究邀请了16位...
- 一键理解开源项目:两个自动生成GitHub代码架构图与说明书工具
-
一、GitDiagram可以一键生成github代码仓库的架构图如果想要可视化github开源项目：https://github.com/luler/reflex_ai_fast，也可以直接把域名替换...
- 5分钟掌握 c# 网络通讯架构及代码示例
-
以下是C#网络通讯架构的核心要点及代码示例，按协议类型分类整理：一、TCP协议（可靠连接）1.同步通信//服务器端usingSystem.Net.Sockets;usingTcpListene...
- 从复杂到优雅:用建造者和责任链重塑代码架构
-
引用设计模式是软件开发中的重要工具，它为解决常见问题提供了标准化的解决方案，提高了代码的可维护性和可扩展性，提升了开发效率，促进了团队协作，提高了软件质量，并帮助开发者更好地适应需求变化。通过学习和应...
- 低代码开发当道，我还需要学习LangChain这些框架吗?| IT杂谈
-
专注LLM深度应用，关注我不迷路前两天有位兄弟问了个问题：当然我很能理解这位朋友的担忧：期望效率最大化，时间用在刀刃上，“不要重新发明轮子”嘛。铺天盖地的AI信息轰炸与概念炒作，很容易让人浮躁与迷茫。...
- 框架设计并不是简单粗暴地写代码，而是要先弄清逻辑
-
3.框架设计3.框架设计本节我们要开发一个UI框架，底层以白鹭引擎为例。框架设计的第一步并不是直接撸代码，而是先想清楚设计思想，抽象。一个一个的UI窗口是独立的吗？不是的，...
- 大佬用 Avalonia 框架开发的 C# 代码 IDE
-
AvalonStudioAvalonStudio是一个开源的跨平台的开发编辑器（IDE），AvalonStudio的目标是成为一个功能齐全，并且可以让开发者快速使用的IDE，提高开发的生产力。A...
- 轻量级框架Lagent 仅需20行代码即可构建自己的智能代理
-
站长之家（ChinaZ.com）8月30日消息:Lagent是一个专注于基于LLM模型的代理开发的轻量级框架。它的设计旨在简化和提高这种模型下代理的开发效率。LLM模型是一种强大的工具，可以...
欢迎 你 发表评论:
- 一周热门
- 最近发表
- 标签列表
-
- 框架图 (58)
- flask框架 (53)
- quartz框架 (51)
- abp框架 (47)
- springmvc框架 (49)
- 分布式事务框架 (65)
- scrapy框架 (56)
- shiro框架 (61)
- 定时任务框架 (56)
- java日志框架 (61)
- mfc框架 (52)
- abb框架断路器 (48)
- beego框架 (52)
- java框架spring (58)
- grpc框架 (65)
- tornado框架 (48)
- 前端框架bootstrap (54)
- orm框架有哪些 (51)
- 知识框架图 (52)
- ppt框架 (55)
- 框架图模板 (59)
- 内联框架 (52)
- cad怎么画框架 (58)
- ssm框架实现登录注册 (49)
- oracle字符串长度 (48)