第 12 屆 iThome 鐵人賽

DAY 24

AI & Data

行銷廣告、電商小編的武器，FB & IG 爬蟲專案從零開始系列第 24 篇

【Day24】排程 - Cron套件超詳解，讓爬蟲自己動起來

12th鐵人賽 cron 排程 script 自動爬蟲

寶寶出頭天

團隊北科大計算機

2020-10-09 10:33:01

19069 瀏覽

分享至

電腦能夠記住的任務就讓電腦來做吧，把腦容量留給更重要的任務

為什麼要學習排程？

在客戶要求這個功能前其實我就把他的雛型完成了，因為我是一個懶人，同時也不是一個記性很好的人，如果每天都要在某個時間打開專案執行 yarn start 然後等數據跑完，這對我來說實在是一件很容易忘記且沒有效率的事情，我認為電腦可以做到事情那就交給電腦去做，所以接下來幾天就來跟大家分享我是如何偷懶使用排程的

今日目標

1. 排程套件 - Cron

1.1 測試官方程式
1.2 分析 api 架構
1.3 了解 cronTime 語法
1.4 範例

2. 把排程加入爬蟲

2.1 將主程式的函式crawler設定成外部函式，供排程呼叫
2.2 建立專門管控排程的程式：cron.js
2.3 調整package.json，建立專門跑排程的 scripts

1. 排程套件 - Cron

這裡我們需要安裝一個套件 cron ，他可以在你指定的時間執行你希望他幫你做的事情，這是他的官方文檔，下面我會詳細介紹他的功能(因為我自己也很常使用XD)

yarn add cron

1.1 測試官方程式

先在 tools 的資料夾裡面新增一個 cron.js 的檔案

複製下方的官方範例

var CronJob = require('cron').CronJob;
var job = new CronJob('* * * * * *', function() {
    console.log('You will see this message every second');
}, null, true, 'America/Los_Angeles');
job.start();

在專案資料夾執行 node tools/cron.js
- 如果終端機(Terminal)每秒鐘都印出 You will see this message every second 就代表套件運行成功

1.2 分析 api 架構

constructor(cronTime, onTick, onComplete, start, timezone, context, runOnInit, unrefTimeout)

cronTime [必填] 設定定時任務時間
onTick [必填] 定時任務要執行的函式
onComplete [選填] 完成定時任務後要執行的函式
Start [選填] 是否自動啟動job，默認為false
timeZone [選填] - 指定執行的時區，莫認為當前時區，關於時區代碼可參考網站

1.3 了解 cronTime 語法

總共分為六個區塊：秒分鐘小時天月份星期幾

秒：0-59
分鐘：0-59
小時：0-23
天：1-31
月份：0-11（1~12月，特別注意月份是從0開始）
星期幾：0-6（星期日~星期六，Sun~Sat）

語法範例
- * 全部
  - 每秒都執行(官方範例)
```
* * * * * *
```
  - 每分鐘的第 10 秒執行
```
10 * * * * *
```
  - 每天晚上 10點30分10秒時執行
```
10 30 22 * * *
```
- - 時間區間
  - 每天早上 9點到12點的整點執行
```
0 0 9-12 * * *
```
- , 分隔符號，可以輸入多個數值
  - 每分鐘的第 5,20,30 秒執行
```
5,20,30 * * * * *
```
- / 間隔多少時間執行
  - 每 3 分鐘執行一次
```
* */3 * * * *
```

1.4 範例

每分鐘的第 10 秒執行

var CronJob = require('cron').CronJob;
new CronJob('10 * * * * *', function () {
    const datetime = new Date();
    console.log(datetime);
}, null, true);

每分鐘的第 5,20,30 秒執行

var CronJob = require('cron').CronJob;
new CronJob('5,20,30 * * * * *', function () {
    const datetime = new Date();
    console.log(datetime);
}, null, true);

2. 把排程加入爬蟲

我們要調整三個檔案讓排程可以順利觸發爬蟲

2.1 將主程式的函式`crawler`設定成外部函式，供排程呼叫

因避免被引用時自動觸發 crawler 函式，故將下方觸發用的 crawler() 移除

index.js

require('dotenv').config(); 
const { initDrive } = require("./tools/initDrive.js");
const { crawlerFB } = require("./tools/crawlerFB.js");
const { crawlerIG } = require("./tools/crawlerIG.js");
const { updateGoogleSheets } = require("./tools/google_sheets");
exports.crawler = crawler; //讓其他程式在引入時可以使用這個函式

async function crawler () {
    const driver = await initDrive();
    if (!driver) {
        return
    }
    const ig_result_array = await crawlerIG(driver)
    const fb_result_array = await crawlerFB(driver)
    driver.quit();
    await updateGoogleSheets(ig_result_array, fb_result_array)
}

2.2 建立專門管控排程的程式：`cron.js`

我將 CronJob 的參數都帶出來，這樣在日後維護時比較了解每個參數的意義
請編輯 .env檔填上排程觸發爬蟲的時間點(CRONJOB_TIME)

cron.js

const CronJob = require('cron').CronJob;
const { crawler } = require("../index.js");
new CronJob({
    cronTime: process.env.CRONJOB_TIME,//請編輯.env檔填上自己的爬蟲時段喔
    onTick: async function () {
        console.log(`開始執行爬蟲排程作業： ${new Date()}`);
        await crawler()
        console.log('排程作業執行完畢！');
    },
    start: true,
    timeZone: 'Asia/Taipei'
});

2.3 調整 `package.json`，建立專門跑排程的 scripts

針對 node 如何執行 js 指定 function 的指令寫法可以參考這篇文章

start : mac 執行單次爬蟲時使用的
win_start : windows 執行單次爬蟲時使用的(需要將單引號與雙引號反過來，因為 windows 只會將單引號內的資訊印除來而不會去執行)
cron : mac、windows 排程執行爬蟲時使用的

{
    "name": "crawler",
    "version": "0.0.1",
    "description": "FB & IG 爬蟲30天鐵人文章",
    "author": "dean lin",
    "dependencies": {
        "cron": "^1.8.2",
        "dateformat": "^3.0.3",
        "dotenv": "^8.2.0",
        "googleapis": "59",
        "selenium-webdriver": "^4.0.0-alpha.7"
    },
    "devDependencies": {},
    "scripts": {
        "start": "node  -e 'require(\"./index\").crawler()'",
        "win_start": "node  -e \"require('./index').crawler()\"",
        "cron":"node tools/cron.js"
    },
    "main": "index.js",
    "license": "MIT"
}

執行程式

建議將 .env 檔中 CRONJOB_TIME 的時間調整成 3 分鐘後的時間比較好測試
在專案資料夾的終端機(Terminal)執行指令
```
yarn start
```
確認爬蟲程式是否依照你設定的時間開始執行
因為排程的程式會一直執行，所以你不會看到以往 Done in xxs 的訊息，如果想要中斷終端機(Terminal)執行的程式，可以用下面按鍵組合:
- Windows: Ctrl + c
- Mac: control + c

ℹ️ 專案原始碼

今天的完整程式碼可以在這裡找到喔
我也貼心地把昨天的把昨天的程式碼打包成壓縮檔，你可以用裡面乾淨的環境來加入今天排程的功能喔
- 請記得在終端機下指令 yarn 才會把之前的套件安裝
- windows需下載與你chrome版本相同的chrome driver放在專案根目錄
- 要在tools/google_sheets資料夾放上自己的憑證，申請流程請參考Day17
- 調整fanspages資料夾內目標爬蟲的粉專網址
- 調整.env檔
  - 填上FB登入資訊
  - 填上FB版本(classic/new)
  - 填上IG登入資訊
  - 填上SPREADSHEET_ID
  - 填上爬蟲執行時間(CRONJOB_TIME)

參考資源

Run function in script from command line (Node JS)

我在 Medium 平台也分享了許多技術文章
❝ 主題涵蓋「MIS & DEVOPS、資料庫、前端、後端、MICROSFT 365、GOOGLE 雲端應用、自我修煉」希望可以幫助遇到相同問題、想自我成長的人。❞

在許多人的幫助下，本系列文章已出版成書，並添加了新的篇章與細節補充：

加入更多實務經驗，用完整的開發流程讓讀者了解專案每個階段要注意的事項

將爬蟲的步驟與技巧做更詳細的說明，讓讀者可以輕鬆入門

調整專案架構

優化爬蟲程式，以更廣的視角來擷取網頁資訊

增加資料驗證、錯誤通知等功能，讓爬蟲執行遇到問題時可以第一時間通知使用者

排程部分改用 node-schedule & pm2 的組合，讓讀者可以輕鬆管理專案程序並獲得更精確的 log 資訊

有興趣的朋友可以到天瓏書局選購，感謝大家的支持。
購書連結：https://www.tenlong.com.tw/products/9789864348008