K12教育小初高各个版本教材内的章节数据

点点

2021-05-10 10:53 阅读 341 喜欢 0

一个“相对”权威的资源网站，然后把这个网站上的所有章节、教材全部爬下来，进行保存数据库，用于我们后续教学方面的基础数据。先说下结果：算上小学、初中、高中三个学段，所有学科下共计5151本册别，所有册别下所包括的章节共计187123个章节。

简单记录下，一是为了后续可能还会有类似的情况而数据丢了，二是为了其他人可能有类似的情况，方便实现。

思路

首先了解下目标网址下章节信息是如何获得的，如果是异步的话，尝试看能否直接通过调用获取，否则的话就通过html解析内容获得数据。经过确认后，发现章节信息是从html内的js写死的，根据不同的地址返回不同的章节，所以，只需要把所有的地址拿到，然后访问获得章节即可。根据学段、学科、出版社进行循环遍历获得所有的册别地址，然后用后续进行轮询。

大体实现

  //根据该函数获得学科、教材、册别等信息
  class getHtml {
constructor(url){
    this.url = url;
}
getContent(){
    return new Promise((resolve,reject)=>{
        request.get(this.url)
        .then( res=>{
            resolve(res.text);
        }).catch(err=>{
            reject(err);
        })
    });
}
//根据内容获得某一部分的地址
getGradeHref(text,index){
    var $ = cheerio.load(text);
    var grades = $('.check_choice_list>li').eq(index).find('p a');
    var arr = [];
    grades.each( (index,item)=>{
        arr.push($(item).attr('href'));
    });
    return arr;
}
//获得
}
//然后通过该函数进行循环获取所有的地址，然后存储到数据库中，目前共计5151条记录。

根据数据库存储的册别地址，一个一个的获取就好了。

  //从国家教育资源公共服务平台获取章节目录信息并进行存储

   var request = require('superagent');

   var cheerio = require('cheerio');

   var fs = require('fs');

  var query = require('simple-mysql-query');
   query({
host : '127.0.0.1',
port : '3306',
user : 'root',
password : 'root',
database : 'test'
  });

 class Fetch{
constructor(){
    this.suc = 0;
    this.current = null;
    this.err = 0;
}
//获得下一个未完成的数据并继续
getNext(){
    var that = this;
    return new Promise((resolve,reject) => {
        query({
            sql : 'select * from chapterurl where done =0 limit 0,1',params : []
        }).then( rs => {
            var rst = rs[0];
            if(rst.length == 0){
                that.current = null;
                resolve(null);
            }else{
                that.current = rst[0].id;
                resolve(rst[0].url);
            }
        }).catch(err=>{
            reject(err);
        })
    });
}
//从页面获得章节信息
fetchArr( url ){
    var that = this;
    return new Promise((resolve,reject)=> {
        if(url){
            request.get(host+url)
            .set({
                'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
                'Accept-Encoding': 'gzip, deflate',
                'Accept-Language': 'en,zh-CN;q=0.9,zh;q=0.8',
                'Cache-Control': 'no-cache',
                'Connection': 'keep-alive',
                'Cookie': 'UM_distinctid=1667c2776e2ba4-053f6c4dfa889e-8383268-1fa400-1667c2776e367c; USER=40be8854-6a4a-4cdc-95ec-f863add22572; name=value; JSESSIONID=12574E63722E3472694692F8E8F83529; soweb123=so-web06; CNZZDATA1255309935=1698827792-1539679457-http%253A%252F%252Fwww.eduyun.cn%252F%7C1539823023; Hm_lvt_d251d7d8815cdb16dd7b3407d1e80eba=1539681324,1539681583,1539735613,1539824040; CNZZDATA1254936525=38783214-1539681033-http%253A%252F%252Fwww.eduyun.cn%252F%7C1539819962; Hm_lpvt_d251d7d8815cdb16dd7b3407d1e80eba=1539824492',
                'Host': 'so.eduyun.cn',
                'Pragma': 'no-cache',
                'Upgrade-Insecure-Requests': '1',
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
            })
            .then( res=> {
                var text = res.text;
                var rs = /booktree.loadtree\((.*)}]\);/.exec(text);
                var get = rs[1]+'}]';
                var arr = JSON.parse(get);
                var arr2 = that.flatt(arr);
                console.log('共计章节数量:'+arr2.length);
                resolve(arr2);
            }).catch(err=>{
                resolve([]);
            })
        }else{
            resolve(null);//null代表结束
        }
    });
}
//数据持久-数据库
store (arr) {
    var that = this;
    //直接一次全部存储
    var sql = 'insert into chapterinfo (bookCatelogId,bookCatelogName,bookId,bookName,isKe,parentId,pubVerID,pubVerName,schoolPhaseId,schoolPhaseName,seqNo,subjectId,subjectName,vNo,zhouCi) values ',
        params = [];
    if(arr === null){
        return -1;//结束
    }else if(arr.length ===  0){
        return new Promise((resolve,reject)=>{
            console.log('本章节虽然可能会成功，但是没有章节数据')
            query({
                sql : 'update chapterurl set done=2 where id=? ',params : [that.current]
            }).then( rs => {
                resolve(1);
            }).catch(err=>{
                resolve(2);
            })
        });
    }
    for(var i =0;i<arr.length;i++){
        var item = arr[i];
        sql += '( ?,?,?,?,?,?,?,?,?,?,?,?,?,?,?)'+(i == arr.length-1 ? '' : ',');
        params = params.concat([item.bookCatelogId,item.bookCatelogName,item.bookId,item.bookName,item.isKe,item.parentId,item.pubVerID,item.pubVerName,item.schoolPhaseId,item.schoolPhaseName,item.seqNo,item.subjectId,item.subjectName,item.vNo,item.zhouCi]);
    }
    return new Promise((resolve,reject) => {
        query([{sql : sql,params : params},{sql : 'update chapterurl set done=1 where id=?',params : [that.current]}]).then( rs => {
            resolve(1);
        }).catch(err=>{
            console.log(err);
            resolve(2)
        });
    });
}
//数组扁平化
flatt (arr) {
    var that = this;
    var newarr = [],flag = true;
    arr.forEach( item => {
        //如果有children就提取出来，放在arr中
        if(item.children && item.children.length > 0){
            var children = item.children;
            item.children = null;
            newarr.push(item);
            newarr = newarr.concat(children);
            flag = false;
        }else{
            newarr.push(item);
        }
    })
    if(flag){
        return newarr;
    }else{
        return that.flatt(newarr);
    }
}
}

var ins = new Fetch();

function gogogo(){
ins.getNext()
.then( url => {
    return ins.fetchArr(url);
})
.then( arr => {
    return ins.store(arr);
})
.then( rs => {
    if(rs === 1){
        console.log('章节存储成功一个');
        gogogo();
    }else if(rs === 2){
        console.log('章节存储失败，切换下一个')
        gogogo();
    }else if(rs === 0){
        console.log('本章节无数据,切换下一个？如果连续出现请检查')
        gogogo();
    }else if(rs === -1){
        console.log('数据库已经清空,章节全部存储结束')
    }
})
.catch(err=> {
    console.log(err);
})
}

gogogo()

由于是一次性工作，大体实现到结果就完了。如果对实现完全不感兴趣，只想得到结果的，那么请访问这里：https://pan.baidu.com/s/1qgKiap5PIhVXbxRevg0r9g ，密码是： 46ba

转载请注明出处: http://sdxlp.cn/article/zhangjie.html

如果对你有用的话，请赏给作者一个馒头吧 ...或帮点下页面底部的广告，感谢！！

赞赏支持

喜欢