怎么用nodejs写一个代理爬虫网站

发布时间：2021-07-15 15:39:40 作者：chen
来源：亿速云阅读：210

# 怎么用Node.js写一个代理爬虫网站

## 引言

在网络数据采集领域，代理爬虫是突破反爬机制、实现分布式抓取的核心工具。本文将详细讲解如何使用Node.js构建一个完整的代理爬虫网站，涵盖从基础原理到具体实现的全部流程。

## 一、项目基础准备

### 1.1 环境要求
- Node.js 14+ 版本
- npm/yarn 包管理器
- 推荐使用VS Code作为开发工具

### 1.2 初始化项目
```bash
mkdir proxy-crawler
cd proxy-crawler
npm init -y

1.3 安装核心依赖

npm install axios cheerio puppeteer express

二、代理爬虫核心实现

2.1 基础爬虫模块

创建crawler.js文件：

const axios = require('axios');
const cheerio = require('cheerio');

async function fetchProxyList() {
  try {
    const response = await axios.get('https://www.free-proxy-list.com');
    const $ = cheerio.load(response.data);
    
    const proxies = [];
    $('table tbody tr').each((i, el) => {
      const ip = $(el).find('td:nth-child(1)').text();
      const port = $(el).find('td:nth-child(2)').text();
      proxies.push(`${ip}:${port}`);
    });
    
    return proxies;
  } catch (error) {
    console.error('抓取失败:', error);
    return [];
  }
}

2.2 使用Puppeteer处理动态内容

对于JavaScript渲染的页面：

const puppeteer = require('puppeteer');

async function dynamicCrawler() {
  const browser = await puppeteer.launch();
  const page = await browser.newPage();
  
  await page.goto('https://proxy-scraper.com');
  await page.waitForSelector('.proxy-list');
  
  const proxies = await page.evaluate(() => {
    return Array.from(document.querySelectorAll('.proxy-row'))
      .map(el => `${el.querySelector('.ip').textContent}:${el.querySelector('.port').textContent}`);
  });
  
  await browser.close();
  return proxies;
}

三、构建Web服务

3.1 创建Express服务器

server.js基础结构：

const express = require('express');
const app = express();
const port = 3000;

// 引入爬虫模块
const { fetchProxyList } = require('./crawler');

app.get('/proxies', async (req, res) => {
  const proxies = await fetchProxyList();
  res.json({ 
    count: proxies.length,
    data: proxies 
  });
});

app.listen(port, () => {
  console.log(`服务运行在 http://localhost:${port}`);
});

3.2 添加定时任务

使用node-cron实现定时更新：

npm install node-cron

const cron = require('node-cron');
const Proxy = require('./models/proxy'); // 假设有MongoDB模型

// 每30分钟更新一次
cron.schedule('*/30 * * * *', async () => {
  console.log('开始定时抓取代理...');
  const proxies = await fetchProxyList();
  await Proxy.bulkUpsert(proxies); // 批量更新数据库
});

四、数据存储方案

4.1 MongoDB集成

安装Mongoose：

npm install mongoose

定义Proxy模型：

// models/proxy.js
const mongoose = require('mongoose');

const proxySchema = new mongoose.Schema({
  ip: { type: String, required: true },
  port: { type: Number, required: true },
  protocol: { type: String, enum: ['http', 'https', 'socks4', 'socks5'] },
  lastChecked: { type: Date, default: Date.now },
  speed: Number
});

module.exports = mongoose.model('Proxy', proxySchema);

4.2 Redis缓存

npm install ioredis

const Redis = require('ioredis');
const redis = new Redis();

// 缓存热门代理
async function cacheProxies() {
  const proxies = await Proxy.find().limit(50);
  await redis.set('hot-proxies', JSON.stringify(proxies), 'EX', 3600);
}

五、高级功能实现

5.1 代理验证模块

async function validateProxy(proxy) {
  try {
    const start = Date.now();
    await axios.get('http://example.com', {
      proxy: {
        host: proxy.ip,
        port: proxy.port
      },
      timeout: 5000
    });
    const speed = Date.now() - start;
    await Proxy.updateOne({ _id: proxy._id }, { speed, lastChecked: new Date() });
    return true;
  } catch {
    await Proxy.deleteOne({ _id: proxy._id });
    return false;
  }
}

5.2 分布式爬虫架构

使用PM2实现集群：

npm install pm2 -g
pm2 start server.js -i max

六、前端界面开发（可选）

6.1 基础HTML模板

<!-- public/index.html -->
<!DOCTYPE html>
<html>
<head>
  <title>代理爬虫仪表盘</title>
</head>
<body>
  <div id="proxy-list"></div>
  <script src="/app.js"></script>
</body>
</html>

6.2 实时数据展示

// public/app.js
fetch('/proxies')
  .then(res => res.json())
  .then(data => {
    const list = document.getElementById('proxy-list');
    data.forEach(proxy => {
      const item = document.createElement('div');
      item.textContent = `${proxy.ip}:${proxy.port}`;
      list.appendChild(item);
    });
  });

七、部署与优化

7.1 Docker化部署

Dockerfile示例：

FROM node:16
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
EXPOSE 3000
CMD ["node", "server.js"]

7.2 性能优化建议

实现分页查询避免内存溢出
使用Redis缓存高频访问数据
添加请求频率限制中间件
启用Gzip压缩响应数据

结语

本文完整演示了如何用Node.js构建代理爬虫网站，关键点包括： - 多源代理数据采集 - 定时任务维护代理池 - 代理有效性验证机制 - 前后端完整实现

完整项目代码可参考GitHub仓库：[示例仓库链接]

下一步可以扩展的功能： - 添加用户认证系统 - 实现API访问控制 - 开发浏览器扩展插件 - 构建移动端应用 “`

注：实际代码实现时需要根据具体目标网站结构调整选择器，并遵守robots.txt协议和网站服务条款。建议在开发前咨询法律意见。