/
2_2_抓取拼音.js
344 lines (280 loc) · 7.92 KB
/
2_2_抓取拼音.js
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
/*
拼音翻译
http://www.qqxiuzi.cn/zh/pinyin/
拼音接口可能会屏蔽ip,通过切换代理解决,底部有方法,先准备好代理和采集好ip
打开上面这个页面
加载数据
先直接运行本代码,根据提示输入PinyinLocalSaveName对应文件到文本框 (内容太大,控制台吃不消,文本框快很多)
或者使用本地网址更快:
var url="https://地址/";
var s=document.createElement("script");s.src=url+"Step2_1_Pinyin_Local.txt?t="+Date.now();document.body.appendChild(s)
然后再次运行本代码
*/
var SaveName="Step2_2_Pinyin_WebApi";
var PinyinLocalSaveName="Step2_1_Pinyin_Local";
if(!$(".DataTxt").length){
$("body").append('<div style="position: fixed;bottom: 80px;left: 100px;padding: 20px;background: #0ca;z-index:9999999">输入'+PinyinLocalSaveName+'.txt<textarea class="DataTxt"></textarea></div>');
};
window.PageToken="";
var FixTrim=function(name){
return name.replace(/^\s+|\s+$/g,"");
};
var checkqqPY=function(itm){
var q=itm.qqPY,p=itm.P2;
if(q&&p){
var a=q.length>p.length?q:p;
var b=a!=q?q:p;
if(a.indexOf(b)!=0){
console.log("和qq的拼音不一致qq:"+q+" <=> "+p,itm);
};
};
};
var QueryPinYin=function(end){
var datas=CityData.cityList;
//一次性多查,一个个查被封的快又慢
var keyMp={};
for(var i=0;i<datas.length;i++){
var o=datas[i];
if(!o.P2&&o.deep<3){
if(CacheDic[o.name]){
o.P2=CacheDic[o.name];
checkqqPY(o);
}else{
keyMp[o.name]||(keyMp[o.name]=[]);
keyMp[o.name].push(o);
};
};
};
var ids=[],keys=Object.keys(keyMp);
for(var i=0;i<keys.length;i++){
var j=Math.max(ids.length-1,0);
var o=ids[j]||(ids[j]={txt:"",refs:[]});
if(o.txt.length>=1950){
j++;
o={txt:"",refs:[]};
};
ids[j]=o;
o.txt=o.txt+(o.txt?"\n":"")+keys[i];
o.refs.push(keyMp[keys[i]]);
};
console.log("需要查询"+(ids.length)+"段数据",ids);
var idx=-1,sendCount=0;
var run=function(){
idx++;
if(idx>=ids.length){
thread--;
if(thread==0){
end();
};
return;
};
var idx_=idx;
var id=ids[idx];
var name=id.txt;
var tryLoad=function(){
sendCount++;
$.ajax({
url:"/zh/pinyin/show.php?pid="+proxyID
,data:"t="+encodeURIComponent(name)+"&d=1&s=null&k=1&b=1&h=null&u=null&v=1&y=null&z=null&token="+PageToken
,type:"POST"
,dataType:"text"
,timeout:40000
,error:function(e){
console.error("--QueryPinYin error--",idx_,id,e);
idx=999999999;
QueryPinyinErrs++;
RunPinYin();
}
,success:function(html){
QueryPinyinErrs=0;
var arr=html.replace(/<\/div>$/g,"").replace(/<\/div>/g,"\n").trim().split("\n");
var refs=id.refs;
if(arr.length!=refs.length){
console.error("无效查询,返回数量不对,已停止:"+refs.length+":"+arr.length,idx_);
console.log(id);
console.log(arr);
return;
};
var count=0;
var adds={};
for(var i=0;i<arr.length;i++){
var mps=refs[i];
var txt=FixTrim(arr[i].replace(/<([^">]+(".*?")?)+>/g,"").replace(/\s+/g," "));
adds[mps[0].name]=txt;
for(var j=0;j<mps.length;j++){
mps[j].P2=txt;
checkqqPY(mps[j]);
count++;
};
};
console.log(idx_+"已查询"+count+"个");
saveCache(adds);
console.log("等待20s 进行下个查询");
setTimeout(run,20000);
}
});
};
tryLoad();
};
var thread=1;
run();
};
var QueryPinyinErrs=0;
var ViewDown=function(){
console.log("完成:"+(Date.now()-RunPinYin.T1)/1000+"秒");
var saveData=CityData;
window[SaveName]=saveData;
var url=URL.createObjectURL(
new Blob([
new Uint8Array([0xEF,0xBB,0xBF])
,"var "+SaveName+"="
,JSON.stringify(saveData,null,"\t")
]
,{"type":"text/plain"})
);
var downA=document.createElement("A");
downA.innerHTML="下载WebApi拼音处理好的城市文件";
downA.href=url;
downA.download=SaveName+".txt";
document.body.appendChild(downA);
downA.click();
};
var CacheDic;
function saveCache(add){
$.extend(CacheDic,add);
localStorage["CacheDic"]=JSON.stringify(CacheDic);
};
//手动修改接口查询出来的错误拼音
//fixCache("六合区","lu he qu")
//fixCache("六安市","lu an shi")
function fixCache(name,py){
CacheDic=null;
var cache=JSON.parse(localStorage["CacheDic"]);
var old=cache[name];
if(!old){
console.error("缓存中没有此名称",name,cache);
return;
}
cache[name]=py;
localStorage["CacheDic"]=JSON.stringify(cache);
console.log("已修改: "+name+" 成:"+py+" 之前为:"+old);
};
console.log("运行后,如果需要修改某些名字的拼音,请用fixCache(name,新拼音)来修改,再重新运行一遍即可");
var proxyID=+localStorage["proxyID"]||0;
var RunPinYin=function(){
if(!window[PinyinLocalSaveName]){
var val=$(".DataTxt").val();
if(!val){
console.error("需要输入"+PinyinLocalSaveName+".txt");
return;
}else{
window[PinyinLocalSaveName]=eval(val+";"+PinyinLocalSaveName);
};
};
window.CityData=window[PinyinLocalSaveName];
window[PinyinLocalSaveName]=null;
if(!CacheDic){
CacheDic={};
var cache=localStorage["CacheDic"];
if(cache){
console.warn("已加载拼音字符映射缓存,如果长时间未清理过,应该清除localStorage['CacheDic']后请求新的数据");
CacheDic=JSON.parse(cache);
};
};
var errs=0;
var queryProxy=function(){
proxyID++;
localStorage["proxyID"]=proxyID;
$.ajax({
url:"https://img.alicdn.com/tfs/TB1_uT8a5ERMeJjSspiXXbZLFXa-143-59.png?pid="+proxyID
,timeout:5000
,error:function(){
errs++;
if(errs>100){
console.error("无代理了!");
return;
}
console.error("抓取token失败,代理"+proxyID+"无效,尝试下一个代理");
queryProxy();
}
,success:function(){
console.error("使用代理"+proxyID);
RunPinYin();
}
});
};
if(QueryPinyinErrs>3){
QueryPinyinErrs=0;
queryProxy();
return;
};
console.log("抓取token");
$.ajax({
url:"/zh/pinyin/?pid="+proxyID
,timeout:8000
,error:function(e){
console.error("抓取token失败,尝试切换SwitchyOmega代理");
queryProxy();
}
,success:function(txt){
PageToken=/&token=(\w+)/.exec(txt)[1];
console.log("token:"+PageToken);
RunPinYin.T1=Date.now();
QueryPinYin(ViewDown);
}
});
};
RunPinYin();
//代理方法
//装上SwitchyOmega 新建PAC情景模式,填入以下代码
var proxyList=[
//此处填写采集到的代理列表
];
function FindProxyForURL(url, host) {
if (/qqxiuzi\.cn.+pid=(\d+)/.test(url) || /TB1_uT8a5ERMeJjSspiXXbZLFXa-143-59\.png\?pid=(\d+)/.test(url)){
var id=+RegExp.$1;
return "PROXY "+(proxyList[id]||"127.0.0.1:12345");
};
return "DIRECT";
};
//代理列表抓取
//http://www.xicidaili.com/nt/ 内执行
var ntdata={};
var ntrun=function(page){
function ajax(url,True,False){
var ajax=new XMLHttpRequest();
ajax.open("GET",url);
ajax.onreadystatechange=function(){
if(ajax.readyState==4){
if(ajax.status==200){
True(ajax.responseText);
}else{
False();
}
}
}
ajax.send();
};
var mx=20;
if(page>mx){
var list=Object.keys(ntdata);
console.log("采集完成"+list.length);
console.log(JSON.stringify(list));
return;
};
ajax("/nt/"+page,function(str){
console.log("已抓取"+page+"/"+mx);
str=str.replace(/\s+/g," ");
str=str.substr(str.indexOf("ip_list"));
str=str.substr(0,str.indexOf("</table>")).replace(/<tr.+?<th.+?<\/tr>/i,"");
var exp=/<tr.+?<\/td>.+?<td>(.+?)<\/td>.+?<td>(.+?)<\/td>/ig,m;
while(m=exp.exec(str)){
var k=m[1]+":"+m[2];
ntdata[k]=(ntdata[k]||0)+1;
}
ntrun(++page);
},function(){
console.error("抓取失败"+page);
});
};
//ntrun(1);