批量导出某个简书用户的所有文章列表和文章超链接
简书改版后，根据文章标题搜索文章的功能就不见了。
创新互联公司服务项目包括闽清网站建设、闽清网站制作、闽清网页制作以及闽清网络营销策划等。多年来，我们专注于互联网行业，利用自身积累的技术优势、行业经验、深度合作伙伴关系等，向广大中小型企业、政府机构等提供互联网行业的解决方案，闽清网站推广取得了明显的社会效益与经济效益。目前，我们服务的客户以成都为中心已经辐射到闽清省份的部分城市，未来相信会继续扩大服务区域并继续获得客户的支持与信任！
虽然简书提供了批量下载文章的功能，但是下载到本地的文章都是markdown格式的，不包含文章的链接，这不满足我的需求。
既然我是程序员，没有这个功能我就自己实现一个。
打开简书首页，发现默认只显示8篇文章，用鼠标滑动到屏幕底部后，会触发一个懒加载事件，到后台读取更多的文章列表，所以文章读取在服务器端是采取的分页实现。
打开Chrome开发者工具，观察网络请求，请求url中99b8712e8850是我简书用户id，page=2，3，4这些是分页代码。
每页的文章内容以html格式包含在响应结构里：
我关心的只是文章标题和文章链接，如上图高亮字段所示。
最开始我写了一个nodejs应用，代码如下：
var request = require('request');var jsdom = require("jsdom");var JSDOM = jsdom.JSDOM;const PREFIX = "https://www.jianshu.com";const PAGE = "https://www.jianshu.com/u/99b8712e8850?order_by=shared_at&page=";const MAX = 2;var mArticleResult = new Map();var pageNumber;/* a given article: https://www.jianshu.com/p/963cd23fb092
value got from API: /p/5c1d0319dc42
*/var lastPageReached = false;var url = "";var aHandlers = [];// use limited for loop to ease testingfor(var i = 0; i < MAX; i++){
pageNumber = i + 1; var url = PAGE + pageNumber; // console.log("current page: " + url);
var pageOptions = { url: url, method: "GET", headers: { "Accept": "text/html"
}
};
aHandlers.push(getArticles(pageOptions, pageNumber)); if( lastPageReached) break;
}console.log("promise handler size: " + aHandlers.length);Promise.all(aHandlers).then(function(){ var articleIndex = 0; for (var [key, value] of mArticleResult) { console.log("Article[" + articleIndex++ + "]: " + key + " = " + value);
} console.log("done");
}
);function getArticles(pageOptions, pageNumber) { return new Promise(function(resolve,reject){ var requestC = request.defaults({jar: true});
requestC(pageOptions,function(error,response,body){ if( error){ console.log("error: " + error);
resolve(error);
} var document = new JSDOM(body).window.document; var content = document.getElementsByTagName("li"); for( var i =0; i < content.length; i++){ var li = content[i]; var children = li.childNodes; for( var j = 0; j < children.length; j++){ var eachChild = children[j]; if( eachChild.nodeName == "DIV"){ var grandChild = eachChild.childNodes; for( var k = 0; k < grandChild.length; k++){ var grand = grandChild[k]; if( grand.nodeName == "A"){ var fragment = grand.getAttribute("href"); if( fragment.indexOf("/p") < 0) continue; console.log("title: " + grand.text); var wholeURL = PREFIX + fragment; console.log("url: " + wholeURL); if( mArticleResult.has(grand.text)){
lastPageReached = true; console.log("article size: " + mArticleResult.size);
resolve(pageNumber);
}
mArticleResult.set(grand.text, wholeURL);
}
}
}
}
}// end of outer loop
resolve(pageNumber);
});
});
}
原理就是使用nodejs的request module，向简书网站同时发起多个请求，每个请求读取一页的简书文章。
后来发现这种方法在并发请求数大于10个的时候就无法工作，简书网站会拒绝该类请求，返回HTTP 429状态码。
所以最后我采用了最简单的同步请求实现，使用了nodejs提供的sync-request在循环里发起请求。
var request = require("sync-request");var jsdom = require("jsdom");var JSDOM = jsdom.JSDOM;var textEncoding = require('text-encoding');
var textDecoder = textEncoding.TextDecoder;const PREFIX = "https://www.jianshu.com";const PAGE = "https://www.jianshu.com/u/99b8712e8850?order_by=shared_at&page=";const MAX = 100;var mArticleResult = new Map();var lastPageReached = false;var pageNumber;/* a given article: https://www.jianshu.com/p/963cd23fb092
value got from API: /p/5c1d0319dc42
*/try { // use limited for loop to ease testing
for (var i = 0; i < MAX; i++) { if( lastPageReached) break;
pageNumber = i + 1; var url = PAGE + pageNumber; console.log("current page: " + url); var response = request('GET', url); var html = new textDecoder("utf-8").decode(response.body);
handleResponseHTML(html);
}
}
catch (e) {
}var articleIndex = 0;var resultHTML = "";const fs = require('fs');/*
eee
*/var index = 1;for (var [key, value] of mArticleResult) { var article = "" +
index++ + ". " + value + "
" + "\n";
resultHTML = resultHTML + article; console.log("Article[" + articleIndex++ + "]: " + value + " = " + key);
}
resultHTML = resultHTML + "";var pwd = process.cwd() + "/jianshu.html";
fs.appendFileSync(pwd, resultHTML);console.log("done");function handleResponseHTML(html) { var document = new JSDOM(html).window.document; var content = document.getElementsByTagName("li"); for (var i = 0; i < content.length; i++) { var li = content[i]; var children = li.childNodes; for (var j = 0; j < children.length; j++) { var eachChild = children[j]; if (eachChild.nodeName == "DIV") { var grandChild = eachChild.childNodes; for (var k = 0; k < grandChild.length; k++) { var grand = grandChild[k]; if (grand.nodeName == "A") { var fragment = grand.getAttribute("href"); if (fragment.indexOf("/p") < 0) continue; // console.log("title: " + grand.text);
var wholeURL = PREFIX + fragment; // console.log("url: " + wholeURL);
if (mArticleResult.has(wholeURL)) {
lastPageReached = true; console.log("article size: " + mArticleResult.size); return;
}
mArticleResult.set(wholeURL, grand.text);
}
}
}
}
}
}
这个nodejs应用执行后，会在本地生成一个html文件，包含每篇文章的标题和超链接。
要获取更多Jerry的原创文章，请关注公众号"汪子熙":
文章题目：批量导出某个简书用户的所有文章列表和文章超链接
文章URL：http://cdiso.cn/article/ppeoic.html
