手把手教你如何用 Crawlab 构建技术文章聚合平台(二)

[tikazyq]

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。

Github

• tikazyq/crawlab
• tikazyq/tech-news

如果感觉 Crawlab 还不错的话，请加作者微信拉入开发交流群，大家一起交流关于 Crawlab 的使用和开发。