wowsearch v1.0.1

wowsearch

配置说明

concurrency

爬虫程序最大并发数量

• Type: number
• Default: Math.max(cpus().length - 1, 1)

js_render

使用无头浏览器 puppeteer爬取 HTML
注意：该选项适合于爬取未使用服务端渲染的站点

• Type: boolean
• Default: false

js_render_options

使用 puppeteer.launch 需要传入的 options

await puppeteer.launch(
  js_render_options
)

注意：该选项适合于 js_render = true

• Type: {}

js_render_evaluate

在分析页面 HTML 之前，需要执行的客户端脚本, 如需要点击事件展开文本内容

注意：该选项适合于 js_render = true

• Type: string | Function

js_waitfor

查看waitFor

• Type: string | number | Function

timeout

爬取数据时候的超时毫秒数

• Type: number
• Default: 30000

start_urls

爬取站点的入口地址，如 ['https://blog.com']

• Type: string[]
• Default: []

start_urls_patterns

地址适配规则，如 ['https://blog.com/**']

特殊的，使用如下配置项，可以用于区分不同环境（如中英文环境文档）

;[
  {
    test: 'https://imcuttle.github.io/edam/**/*_zh',
    tags: ['zh']
  },
  {
    test: 'https://imcuttle.github.io/edam/**/*',
    tags: ['en']
  }
]

• Type: Array<Rule> Rule
• Default: [/.*/]

stop_urls_patterns

无视的地址适配规则

• Type: Array<Rule> Rule
• Default: []

sitemap_urls

站点地图的地址，支持 sitemap.xml 和 sitemap.txt

• Type: string[]
• Default: []

selectors_exclude

忽略的节点选择器，一般用于省略一些不需要分析的节点

• Type: Selector[]

selectors

爬取的网页节点的选择器集合

• Type: Selectors
• Default: {}

anchor_selector

使用在 lvl 选择器中，寻找锚点的选择器

• Type: Selector
• Default: 'a[id]'

anchor_attribute_name

使用在 lvl 选择器中，锚点节点中锚点的属性

• Type: string
• Default: 'id'

smart_crawling

开启智能爬虫模式，分析网页中的 a 标签，扩展需要爬取的地址

• Type: boolean
• Default: false

smart_crawling_selector

智能爬虫模式，分析 a 标签的选择器

• Type: Selector
• Default: a[href]

force_crawling_urls

开启强制使用智能分析的 url，否则将使用 start_urls_patterns 和 stop_urls_patterns 进行过滤

• Type: boolean
• Default: false

request_cookie

爬取页面时候，需要注入的 cookie 信心，如有些站点需要用户校验

• Type: string

source_adaptor

数据适配器，指定数据推送的远端，如

{
  "name": "wowsearch-elastic-adaptor/node",
  "options": {
    "endpoint": "https://example.elasticsearch.com"
    "index_name": "my_blog"
  }
}

• Type: {name: string, options: any}

Rule

• Type: RegExp | Function | string | {test: RegExp | Function | string, [key: string]: any}

Selectors

• Type: Object

lvl0

0 级选择器，一般用于选择文章标题，如

{
  global: true,
  selector: '.post .title'
}

• Type: Selector

lvl1

1 级选择器，一般用于选择文章一级标题，如

{
  global: true,
  selector: '.post article h1'
}

• Type: Selector

lvl2

2 级选择器，一般用于选择文章二级标题

• Type: Selector

lvl3

同上

• Type: Selector

lvl4

同上

• Type: Selector

lvl5

同上

• Type: Selector

lvl6

同上

• Type: Selector

text

纯文本选择器，如 .post article li, .post article p, .post article pre

Selector

• Type: string | StrictSelector

StrictSelector

• Type: Object

strip_chars

选择器文本需要剔除的字符串，用于剔除一些不必要的字符

• Type: string
• Default: ' .,;:§¶'

type

选择器的类型

• Type: 'xpath' | 'css'
• Default: 'css'

global

是否是全局选择器。全局选择器将在一个页面中全局存在一个，一般用于寻找文章的标题

• Type: boolean

default_value

未找到的话，所使用的默认值

• Type: string

anchor_attribute_name

anchor_selector