Web Scraper 高级用法——使用 CouchDB 存储数据

这是简易数据分析系列的第 18 篇文章。

利用 web scraper 抓取数据的时候，大家一定会遇到一个问题：数据是乱序的。在之前的教程里，我建议大家利用 Excel 等工具对数据二次加工排序，但还是存在部分数据无法排序的情况。

其实解决数据乱序的方法也有，那就是换一个数据库。

web scraper 作为一个浏览器插件，数据默认保存在浏览器的 localStorage 数据库里。其实 web scraper 还支持外设数据库——CouchDB。只要切换成这个数据库，就可以在抓取过程中保证数据正序了。

1.CouchDB 下载安装

CouchDB 可以从官网下载，官网链接为：https://couchdb.apache.org/。

因为服务器在外网，国内访问可能比较慢，我存了一份云盘文件，可以公众号后台回复「CouchDB」获取下载连接，Mac 和 Win 安装包都有，版本为 3.0.0。

具体的安装过程我就忽略了，大家平常怎么安装软件就怎么安装 CouchDB。

2.配置 CouchDB

1.创建账号

第一次打开 CouchDB，可能会要求你创建一个 CouchDB 账号（或设置账号密码），这里我为了演示方便就取个简单的密码。大家一定要记住账号密码，因为之后访问 CouchDB 都要填写。

2.访问 CouchDB

一般第一次打开 CouchDB，会自动打开一个网页，网址为：http://127.0.0.1:5984/_utils/#，如果没有自动打开，可以浏览器手动输入这个网址。

3.创建 Database

我们可以把 Database 理解为一个文件，我们要创建一个文件专门保存 sitemap，创建流程可以看下图：

点击「Create Database」
为这个文件起个名字，叫「scraper-sitemaps」
勾选「Non-partitioned」
单击「Create」创建

3.Web Scraper 切换到 CouchDB

1.首先从浏览器右上角的插件列表中找到 Web Scraper 的图标，然后右键点击，在弹出的菜单里再点击「选项」。

2.在新打开的管理页面里，要做这几步：

Storage type 切换为 CouchDB
Sitemap db 填入 http://127.0.0.1:5984/scraper-sitemaps
Data db 填入 http://127.0.0.1:5984/

3.最后点击「Save」按钮保存配置，重启浏览器让配置生效。

4.抓取数据

抓取数据前，我们需要把电脑的各种网络代理关掉，要不然可能会连接不到 CouchDB。

网页还是拿豆瓣 TOP250 做个简单的演示。web scraper 的操作和以前都是一样的，预览数据时我们就会发现，和 localStorage 比起来，数据都是正序的：

我们也可以在 CouchDB 的操作页面预览数据。http://127.0.0.1:5984/_utils/# 这个页面是主界面，我们可以看到保存 sitemap 的 database 和豆瓣数据的 database：

点击「sitemap-data-douban2」进入数据详情页，可以预览数据：

5.导出数据

导出数据也是老样子，在 web scraper 插件面板里点击「Export data as CSV」就可以导出。其实也可以从 CouchDB 里导出数据，但这样还得写一些脚本，我这里就不多介绍了，感兴趣的人可以自行搜索。

6.个人感悟

其实一开始我并不想介绍 CouchDB，因为从我的角度看，web scraper 是一个很轻量的插件，可以解决一些轻量的抓取需求。加入 CouchDB 后，这个安装下来要几百兆的软件，只是解决了 web scraper 数据乱序的问题，在我看来还是有些大炮打蚊子，也脱离了轻量抓取的初衷。但是有不少读者私信我相关内容，为了教程的完整性，我还是写下了这篇文章。

7.联系我

因为文章发在各大平台上，账号较多不能及时回复评论和私信，有问题可关注公众号 ——「卤代烃实验室」，（或 wx 搜索 sky-chx）关注上车防失联。