使用 Node.js 抓取和存储 Shopify 电子商务网站

Question

我使用 node.js 中的 website-scraper npm 模块编写了一个代码来抓取一系列 Shopify 电子商务网站，但它显示 403 错误，但相同的代码适用于其他网站。

我们怎样才能解决这个问题？

我的 scraperTest.js 文件是：

var scrape = require('website-scraper');
let test = require('./test')
let urls = [];
urlList = ['1500.academy'];
urlList.forEach(url =>{
    test.checkRedirect(url)
    .then(domain =>{
        urls.push('https://' + domain);
        console.log(urls);
        var options = {
            urls: urls,
            directory: './autochat/',
            'User-Agent': 'request',
        };

        // with promise
        scrape(options).then((result) => {
            /* some code here */
        }).catch((err) => {
            /* some code here */
        });

        // or with callback
        scrape(options, (error, result) => {
            /* some code here */
        });
    })
})

test.js 文件是

const request = require('request');
const extractDomain = require('extract-domain');

//var link = 'oneplustwocase.com';

function checkRedirect(link) {
    return new Promise((resolve, reject) => {

        var url = "http://" + link;
        var options = {
            url: url,
            headers: {
                'User-Agent': 'request'
            }
        };
        request(options, function (error, response, body) {
            let redirectedDomain = extractDomain(response.request.uri.href);
            if(response !== undefined){
                extractDomain(response.request.uri.href);
                if (response.statusCode === 200 && link !== redirectedDomain) {
                   resolve(redirectedDomain);
                } else {
                    resolve(link);
                }
            } else {
                resolve(link);
            }
        });
    });
}

module.exports.checkRedirect = checkRedirect;

Answer 1

我得到了解决方案。 我们可以使用 request() 获取域的 html 数据； response.body 包含 html 数据

我使用以下代码得到的解决方案：

const request = require('request');
const extractDomain = require('extract-domain');
let fs = require('fs');

function checkRedirect(link) {
        var url = "http://" + link;
        var options = {
            url: url,
            headers: {
                'User-Agent': 'request'
            }
        };
        request(options, function (error, response, body) {

            if(response !== undefined){
                let redirectedDomain = extractDomain(response.request.uri.href);
                let writeStream = fs.createWriteStream(redirectedDomain + '.html');
                writeStream.write(response.body)
                writeStream.end();
        });
}

module.exports.checkRedirect = checkRedirect;

//checkRedirect('oneplustwocase.com')

/*
var r = request(url, function (e, resp) {
    r.uri
    resp.request.uri
  })*/

Answer 2

由于您对数据感兴趣，因此无需为数据抓取而头疼，只需下载站点 XML 文件即可。它包含所有产品和有趣的信息，就像谷歌或任何其他搜索引擎一样。

Answer 3

• 如果网站http://1500.academy 不喜欢用户代理标头，它似乎会返回 403。我建议尝试看起来像浏览器的用户代理

• 根据website-scraper 文档https://www.npmjs.com/package/website-scraper#request，您应该在request 属性中传递请求的标头，而不是在根级别

所以选项应该是这样的：

const options = {
  urls:[{url: 'http://1500.academy/'}],
  directory: './autochat/',
  request: {
    headers: {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
    }
  }
}

顺便说一下website-scraper 默认会跟随重定向，所以你可以跳过检查重定向