爬虫 | 如何构建技术文章聚合平台(二)

作者 | MarvinZhang

来源 | 掘金

上一篇文章《手把手教你如何用Crawlab构建技术文章聚合平台(一)》介绍了如何使用搭建Crawlab的运行环境，并且将Puppeteer与Crawlab集成，对掘金、SegmentFault、CSDN进行技术文章的抓取，最后可以查看抓取结果。本篇文章将继续讲解如何利用Flask＋Vue编写一个精简的聚合平台，将抓取好的文章内容展示出来。

文章内容爬虫

首先，我们需要对爬虫部分做点小小的补充。上篇文章中我们只编写了抓取文章URL的爬虫，我们还需要抓取文章内容，因此还需要将这部分爬虫编写了。上次爬虫的结果collection全部更改为 results，文章的内容将以content字段保存在数据库中。

经分析知道每个技术网站的文章页都有一个固定标签，将该标签下的HTML全部抓取下来就OK了。具体代码分析就不展开了，这里贴出具体代码。

const puppeteer = require('puppeteer');
const MongoClient = require('mongodb').MongoClient;

(async  => {
// browser
const browser = await (puppeteer.launch({
headless: true
}));

// page
const page = await browser.newPage;

// open database connection
const client = await MongoClient.connect('mongodb://192.168.99.100:27017');
let db = await client.db('crawlab_test');
const colName = process.env.CRAWLAB_COLLECTION || 'results';
const col = db.collection(colName);
const col_src = db.collection('results');

const results = await col_src.find({content: {$exists: false}}).toArray;
for (let i = 0; i < results.length; i++) {
let item = results[i];

// define article anchor
let anchor;
if (item.source === 'juejin') {
anchor = '.article-content';
} else if (item.source === 'segmentfault') {
anchor = '.article';
} else if (item.source === 'csdn') {
anchor = '#content_views';
} else {
continue;
}

console.log(`anchor: ${anchor}`);

// navigate to the article
try {
await page.goto(item.url, {waitUntil: 'domcontentloaded'});
await page.waitFor(2000);
} catch (e) {
console.error(e);
continue;
}

// scrape article content
item.content = await page.$eval(anchor, el => el.innerHTML);

// save to database
await col.save(item);
console.log(`saved item: ${JSON.stringify(item)}`)
}

// close mongodb
client.close;

// close browser
browser.close;

});

然后将该爬虫按照前一篇文章的步骤部署运行爬虫，就可以采集到详细的文章内容了。

文章内容爬虫的代码已经更新到Github了。

接下来，我们可以开始对这些文章做文章了。

前后端分离

目前的技术发展来看，前后端分离已经是主流：一来前端技术越来越复杂，要求模块化、工程化；二来前后端分离可以让前后端团队分工协作，更加高效地开发应用。由于本文的聚合平台是一个轻量级应用，后端接口编写我们用Python的轻量级Web应用框架Flask，前端我们用近年来大红大紫的上手容易的Vue。

Flask

Flask被称为Micro Framework，可见其轻量级，几行代码便可以编写一个Web应用。它靠Extensions插件来扩展其特定功能，例如登录验证、RESTful、数据模型等等。这个小节中我们将搭建一个REST风格的后台API应用。

安装

首先安装相关的依赖。

pip install flask flask_restful flask_cors pymongo

基本应用

安装完成后我们可以新建一个 app.py文件，输入如下代码

from flask import Flask
from flask_cors import CORS
from flask_restful import Api

# 生成Flask App实例
app = Flask(__name__)

# 生成API实例
api = Api(app)

# 支持CORS跨域
CORS(app, supports_credentials=True)

if __name__ == '__main__':
app.run

命令行中输入 python app.py就可以运行这个基础的Flask应用了。

编写API

接下来，我们需要编写获取文章的接口。首先我们简单分析一下需求。

这个Flask应用要实现的功能为：

1. 从数据库中获取抓取到的文章，将文章ID、标题、摘要、抓取时间返回给前端做文章列表使用；

2. 对给定文章ID，从数据库返回相应文章内容给前端做详情页使用。

因此，我们需要实现上述两个API。下面开始编写接口。

列表接口

在 app.py中添加如下代码，作为列表接口。

class ListApi(Resource):
def get(self):
# 查询
items = col.find({'content': {'$exists': True}}).sort('_id', DESCENDING).limit(40)

data = 
for item in items:
# 将pymongo object转化为python object
_item = json.loads(json_util.dumps(item))

data.append({
'_id': _item['_id']['$oid'],
'title': _item['title'],
'source': _item['source'],
'ts': item['_id'].generation_time.strftime('%Y-%m-%d %H:%M:%S')
})

return data

详情接口

同样的，在 app.py中输入如下代码。

class DetailApi(Resource):
def get(self, id):
item = col.find_one({'_id': ObjectId(id)})

# 将pymongo object转化为python object
_item = json.loads(json_util.dumps(item))

return {
'_id': _item['_id']['$oid'],
'title': _item['title'],
'source': _item['source'],
'ts': item['_id'].generation_time.strftime('%Y-%m-%d %H:%M:%S'),
'content': _item['content']
}

映射接口

编写完接口，我们需要将它们映射到对应到URL中。

api.add_resource(ListApi, '/results')
api.add_resource(DetailApi, '/results/<string:id>')

完整代码

以下是完整的Flask应用代码，很简单，实现了文章列表和文章详情两个功能。接下来，我们将开始开发前端的部分。

import json

from bson import json_util, ObjectId
from flask import Flask, jsonify
from flask_cors import CORS
from flask_restful import Api, Resource
from pymongo import MongoClient, DESCENDING

# 生成Flask App实例
app = Flask(__name__)

# 生成MongoDB实例
mongo = MongoClient(host='192.168.99.100')
db = mongo['crawlab_test']
col = db['results']

# 生成API实例
api = Api(app)

# 支持CORS跨域
CORS(app, supports_credentials=True)


class ListApi(Resource):
def get(self):
# 查询
items = col.find({}).sort('_id', DESCENDING).limit(20)

data = 
for item in items:
# 将pymongo object转化为python object
_item = json.loads(json_util.dumps(item))

data.append({
'_id': _item['_id']['$oid'],
'title': _item['title'],
'source': _item['source'],
'ts': item['_id'].generation_time.strftime('%Y-%m-%d %H:%M:%S')
})

return data


class DetailApi(Resource):
def get(self, id):
item = col.find_one({'_id': ObjectId(id)})

# 将pymongo object转化为python object
_item = json.loads(json_util.dumps(item))

return {
'_id': _item['_id']['$oid'],
'title': _item['title'],
'source': _item['source'],
'ts': item['_id'].generation_time.strftime('%Y-%m-%d %H:%M:%S'),
'content': _item['content']
}


api.add_resource(ListApi, '/results')
api.add_resource(DetailApi, '/results/<string:id>')

if __name__ == '__main__':
app.run

运行 python app.py，将后台接口服务器跑起来。

Vue

Vue近年来是热得发烫，在Github上已经超越React，成为三大开源框架（React，Vue，Angular）中star数最多的项目。相比于React和Angular，Vue非常容易上手，既可以双向绑定数据快速开始构建简单应用，又可以利用Vuex单向数据传递构建大型应用。这种灵活性是它受大多数开发者欢迎的原因之一。

为了构建一个简单的Vue应用，我们将用到vue-cli3，一个vue项目的脚手架。首先，我们从npm上安装脚手架。

安装vue-cli3

yarn add @vue/cli

如果你还没有安装yarn，执行下列命令安装。

npm i -g yarn

创建项目

接下来，我们需要用vue-cli3构建一个项目。执行以下命令。

vue create frontend

命令行中会弹出下列选项，选择 default。

? Please pick a preset: (Use arrow keys)
? default (babel, eslint) 
preset (vue-router, vuex, node-sass, babel, eslint, unit-jest) 
Manually select features 

然后vue-cli3会开始准备构建项目必要的依赖以及生成项目结构。

此外，我们还需要安装完成其他功能所需要的包。

yarn add axios

文章列表页面

在 views目录中创建一个List.vue文件，写入下列内容。

<template>
<div class="list">
<div class="left"></div>
<div class="center">
<ul class="article-list">
<li v-for="article in list" :key="article._id" class="article-item">
<a href="javascript:" @click="showArticle(article._id)" class="title">
{{article.title}}
</a>
<span class="time">
{{article.ts}}
</span>
</li>
</ul>
</div>
<div class="right"></div>
</div>
</template>

<script>
import axios from 'axios'

export default {
name: 'List',
data  {
return {
list: 
}
},
methods: {
showArticle (id) {
this.$router.push(`/${id}`)
}
},
created  {
axios.get('http://localhost:5000/results')
.then(response => {
this.list = response.data
})
}
}
</script>

<style scoped>
.list {
display: flex;
}

.left {
flex-basis: 20%;
}

.right {
flex-basis: 20%;
}

.article-list {
text-align: left;
list-style: none;
}

.article-item {
background: #c3edfb;
border-radius: 5px;
padding: 5px;
height: 32px;
display: flex;
align-items: center;
justify-content: space-between;
margin-bottom: 10px;
}

.title {
flex-basis: auto;
color: #58769d;
}

.time {
font-size: 10px;
text-align: right;
flex-basis: 180px;
}
</style>

其中，引用了 axios来与API进行ajax交互，这里获取的是列表接口。布局用来经典的双圣杯布局。methods中的showArticle方法接收id参数，将页面跳转至详情页。

文章详情页面

在 views目录中，创建Detail.vue文件，并输入如下内容。

<template>
<div class="detail">
<div class="left"></div>
<div class="center">
<h1 class="title">{{article.title}}</h1>
<div class="content" v-html="article.content">
</div>
</div>
<div class="right"></div>
</div>
</template>

<script>
import axios from 'axios'

export default {
name: 'Detail',
data  {
return {
article: {}
}
},
computed: {
id  {
return this.$route.params.id
}
},
created  {
axios.get(`http://localhost:5000/results/${this.id}`)
.then(response => {
this.article = response.data
})
}
}
</script>

<style scoped>
.detail {
display: flex;
}

.left {
flex-basis: 20%;
}

.right {
flex-basis: 20%;
}

.center {
flex-basis: 60%;
text-align: left;
}

.title {

}
</style>

这个页面也是经典的双圣杯布局，中间占40%。由API获取的文章内容输出到 content中，由v-html绑定。这里其实可以做进一步的CSS优化，但作者太懒了，这个任务就交给读者来实现吧。

添加路由

编辑 router.js文件，将其修改为以下内容。

import Vue from 'vue'
import Router from 'vue-router'
import List from './views/List'
import Detail from './views/Detail'

Vue.use(Router)

export default new Router({
mode: 'hash',
base: process.env.BASE_URL,
routes: [
{
path: '/',
name: 'List',
component: List
},
{
path: '/:id',
name: 'Detail',
component: Detail
}
]
})

运行前端

在命令行中输入以下命令，打开 http://localhost:8080就可以看到文章列表了。

npm run serve

最终效果

最后的聚合平台效果截屏如下，可以看到基本的样式已经出来了。

总结

本文在上一篇文章《手把手教你如何用Crawlab构建技术文章聚合平台(一)》的基础上，介绍了如何利用Flask＋Vue和之前抓取的文章数据，搭建一个简易的技术文章聚合平台。用到的技术很基础，当然，肯定也还有很多需要优化和提升的空间，这个就留给读者和各位大佬吧。

本文经作者授权发布，如需转载请直接联系原作者。

博客地址：https://juejin.im/user/5a1ba6def265da430b7af463

回复下方「关键词」，获取优质资源

回复关键词「 pybook03」，可立即获取主页君与小伙伴一起翻译的《Think Python 2e》电子版

回复关键词「pybooks02」，可立即获取 O'Reilly 出版社推出的免费 Python 相关电子书合集

回复关键词「书单02」，可立即获取主页君整理的 10 本 Python 入门书的电子版

印度小伙写了套深度学习教程，Github上星标已经5000+

上百个数据文件合并，只能手动复制粘贴？教你一招十秒搞定！

一个提升图像识别准确率的精妙技巧

一文读懂：从 Python 打包到 CLI 工具

如何使用 Python 进行时间序列预测？

美亚Kindle排名第一的Python 3入门书，火遍了整个编程圈

十分钟搭建私有 Jupyter Notebook 服务器

使用 Python 制作属于自己的 PDF 电子书

12步轻松搞定Python装饰器

200 行代码实现 2048 游戏