PTT 表特版 API

2018鐵人賽網路爬蟲

Howard

2017-12-14 00:15:39

14455 瀏覽

分享至

定義目標

有匿名者指定說他也會逛 PTT，最但最常逛表特版，所以詢問看看是否能夠自幹表特版 api。我想這種需求看起來挺強烈的，這麼造福廣大男性朋友的 api 肯定是需要的，那我們這次的目標就來抓取 ptt 表特版最新的圖片並將他製作成 api 吧！

話說我平常真的不太逛表特版，所以對裡面的東西並不是太熟悉...但就觀察的結果，每篇文章基本上都會貼上圖片的網址，大概 99% 使用的 imgur 這個圖床，所以這次主題我們就專注在 imgur 的圖片上吧。

實際探訪

進入表特版網址 https://www.ptt.cc/bbs/Beauty/index.html，我們可以看到分頁，然後每個分頁最多是 20 篇文章。觀察一下上頁的連結是 /bbs/Beauty/index2339.html，猜測目前這一頁應該是 /bbs/Beauty/index2340.html，點擊上頁可以看到更多文章，同時也確認剛剛的首頁確實是 /bbs/Beauty/index2340.html，那也就是說我可以抓到 2340 個分頁。

若點擊文章網址，就會進入文章頁面，裡面大部分是一堆 imgur 網址的圖片，若我們能把每一篇文章的圖片位置都抓下來，那麼就能製作出我們的 api 了。

不過在進入研究之前，我們必須先考慮一個問題，若我們真的抓了 2340 個分頁，這麼一來肯定會抓很久，二來絕對會造成伺服器的負擔，這並不是我們的本意，我們的目標只是抓取最新的圖片，但最新如何定義呢？那我們姑且就先定義為最後三個分頁。

分解研究

確認我們的目標是抓前三個分頁以後的所有文章內 imgur 的連結後，我們可以把步驟分成三個動作：

取得前三頁所有文章列表
抓取所有文章列表的文章內容
抓出文章內 imgur 相關的 url

取得每個分頁文章列表

從 dom 的結構看上頁大概就能推算我們要抓取這三個分頁的 url，接著我們來試著 select 頁面上的文章列表。

抓取分頁及文章頁面

接著來 request 一下看看是否能夠確定抓取分頁，然後再 request 測試一下文章頁面，看起來單純的 get request 應該就沒問題了。

測試文章內 imgur 連結

最後我們來測試使用 regex 來抓取 imgur 的連結，在這個部分有注意到 imgur 的連結格式有兩種，但可以歸納只需抓取類似 imgur.com/APpvLiF 這種格式就可以了，後續手動補上完整網址就好。

實作程式碼

getTopPages function

首先我們先來抓前三個分頁，基本上就是 index.html，然後去看上頁的 url，然後上上頁就是將這個 url 的數字部分再減一，也就是說，我們只需要抓上頁的 url 就能清楚整個數列，最後再把這三個頁面的數字部分傳給 callback。

function getTopPages(callback) {
  request('https://www.ptt.cc/bbs/Beauty/index.html', (err, res, body) => {
    var $ = cheerio.load(body)
    var prev = $('.btn-group-paging a').eq(1).attr('href').match(/\d+/)[0]
    callback(['', prev, prev - 1])
  })
}

getPosts function

接著我們來抓取每個分頁的文章列表，基本上沒有什麼難度，單純 select，然後把我們抓到的 posts 丟給 callback。

function getPosts(page, callback) {
  request(`https://www.ptt.cc/bbs/Beauty/index${page}.html`, (err, res, body) => {
    var $ = cheerio.load(body)
    var posts = $('.r-ent a').map((index, obj) => {
      return $(obj).attr('href')
    }).get()
    callback(posts)
  })
}

getImages function

最後我們來抓取每篇文章內的圖片連結，因為觀察到所有的 imgur 圖片的 ID 都是 7個字串，那麼我們使用 regex 來 match /imgur.com\/[0-9a-zA-Z]{7}/g 就行了。不過因為 ptt 網頁會自動加載圖片，所以抓取時會抓到重複的 image url，所以我們必須做 array uniq，可以使用 es6 的語法 [ ...new Set(images) ] 就能簡潔的處理掉重複的 array content。

function getImages(post, callback) {
  request('https://www.ptt.cc' + post, (err, res, body) => {
    var images = body.match(/imgur.com\/[0-9a-zA-Z]{7}/g);
    images = [ ...new Set(images) ]
    callback(images);
  })
}

組合流程

我們先 call getTopPages function 抓取三個分頁，然後再使用 async.map 來跑 getPosts function，去抓取這三個分頁的所有文章列表。抓完文章列表後，我們再使用 async.map 來跑 getImages function，去抓取每篇文章內的 images url，最後再將 images url 補完前綴和後綴，這樣就能抓到最新的所有圖片列表了。

getTopPages((pages) => {
    async.map(pages, (page, callback) => {
      getPosts(page, (posts) => {
        callback(null, posts)
      })
    }, (err, results) => {
      var posts = [].concat.apply([], results)
      async.map(posts, (post, callback) => {
        getImages(post, (images) => {
          callback(null, images)
        })
      }, (err, results) => {
        var images = [].concat.apply([], results).map((image)=>{
          return 'https://' + image + '.jpg'
        })
        console.log(images)
      })
    })
})

Express 做 api service

接下來我們用 express 來做 web service，先暫時聽 3000 port，未來 deploy 再改 80，經過測試沒問題就大功告成了。

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

app.get('/', function (req, res) {
  getTopPages((pages) => {
    async.map(pages, (page, callback) => {
      getPosts(page, (posts) => {
        callback(null, posts)
      })
    }, (err, results) => {
      var posts = [].concat.apply([], results)
      async.map(posts, (post, callback) => {
        getImages(post, (images) => {
          callback(null, images)
        })
      }, (err, results) => {
        var images = [].concat.apply([], results).map((image)=>{
          return 'https://' + image + '.jpg'
        })
        res.json(images)
      })
    })
  })
}).listen(3000)

完整程式碼

const request = require('request');
const cheerio = require('cheerio');
const async = require('async');
const express = require('express');
const app = express();

app.get('/', function (req, res) {
  getTopPages((pages) => {
    async.map(pages, (page, callback) => {
      getPosts(page, (posts) => {
        callback(null, posts)
      })
    }, (err, results) => {
      var posts = [].concat.apply([], results)
      async.map(posts, (post, callback) => {
        getImages(post, (images) => {
          callback(null, images)
        })
      }, (err, results) => {
        var images = [].concat.apply([], results).map((image)=>{
          return 'https://' + image + '.jpg'
        })
        res.json(images)
      })
    })
  })
}).listen(3000)

function getTopPages(callback) {
  request('https://www.ptt.cc/bbs/Beauty/index.html', (err, res, body) => {
    var $ = cheerio.load(body)
    var prev = $('.btn-group-paging a').eq(1).attr('href').match(/\d+/)[0]
    callback(['', prev, prev - 1])
  })
}

function getPosts(page, callback) {
  request(`https://www.ptt.cc/bbs/Beauty/index${page}.html`, (err, res, body) => {
    var $ = cheerio.load(body)
    var posts = $('.r-ent a').map((index, obj) => {
      return $(obj).attr('href')
    }).get()
    callback(posts)
  })
}

function getImages(post, callback) {
  request('https://www.ptt.cc' + post, (err, res, body) => {
    var images = body.match(/imgur.com\/[0-9a-zA-Z]{7}/g);
    images = [ ...new Set(images) ]
    callback(images);
  })
}

衍伸應用

在這個主題，我們其實有兩個假設性的設定，第一個是我們定義了最新圖片為前三個分頁，若更近一步的開發，其實是可以在 api 的參數收 page number，交由使用者來決定他要抓幾個分頁，但這個就必須考量到爬蟲的速度，和 ptt web server 的防堵機制，總不可能放任使用者去抓所有的分頁，不然可是有很大的機會會被直接鎖 IP 的。

另外一個是我們只抓 imgur 的圖片連結，但現實上是有可能出現其他種類的圖片網址的，關於這點，其實我們無法把所有狀況含括，可以有幾種想法，例如我們去判斷副檔名，但這也不見得是百分之百，或者我們去讀取 ptt web server 所附帶的圖片解析器，這或許比較靠譜，不過這就另外的課題了。