正文

【Nodejs】理想论坛帖子下载爬虫1.04

IP云
IP云V管理员/7 阅读
09/11
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

一直想做一个能把理想论坛指定页范围的帖子都能完整下载下来的爬虫，但未能如愿。

主要的障碍在并发数的控制和长时间任务的突然退出，比如想下载前五页的帖子，分析后可得到大约15000个主贴或子贴，如果用回调函数直接在循环中访问是不行的，程序会报Error：socket hang up异常，大约一次只能并发百个左右（其实这个数很神奇的和Python理想爬虫的最高线程数接近了）。如果一次性把一万五千个回调都发出来，那连本机的有线网络都会短时间崩塌，路由器的访问互联网的功能也会中断几分钟。

于是采用了EventProxy控制并发的方案，将并发数控制在20左右，但只能运行到680个任务左右，离跑完15000个还差很多，然后程序就退出了。

不知这种令人烦恼情况，主要决定于网络还是我的机器，还是两者都有。

当然，明天照此思路写Python的爬虫，应该不会遇到回调/多线程并发的问题，单线程做下去完全可以，只是慢点，但是数据的完整性能保障。

先把代码贴出来：

//======================================================// 理想论坛帖子下载爬虫1.04// 2018年4月25日//======================================================var http=require("http"); // http模块var zlib = require('zlib'); // 用于解析gzip网页var fs=require('fs'); // 文件处理模块var iconv = require('iconv-lite'); // 用于转码。var cheerio = require("cheerio"); // 用于从HTML中以类似jquery方式查找目标var async=require('async'); // 用于异步流程控制var EventProxy = require('eventproxy');// 用来控制并发//--- 下面为全局变量 ---var folder;// 存文件的目录var topics=[]; // 帖子数组var finalTopics=[];// 所有帖子加子贴的最终数组//-------------------------------// 用于创建目录//-------------------------------function createFolder(){ console.log('准备创建目录'); folder='infos('+currDateTime()+")"; fs.mkdir('./'+folder,function(err){ if(err){ console.log("目录"+folder+"已经存在"); }else{ console.log("目录"+folder+"已创建"); } });}//-------------------------------// 浏览页面找主贴// start:开始页,end:结束页//-------------------------------function findTopics(start,end){ console.log('准备从以下页面寻找主贴'); for(var i=start;i<=end;i++){ pageUrl='http://www.55188.com/forum-8-'+i+'.html' findTopicsInPage(pageUrl); }}//-------------------------------// 找到每个论坛页的帖子// pageUrl:论坛页的地址//-------------------------------function findTopicsInPage(pageUrl){ console.log("page="+pageUrl); var currUrl=pageUrl.replace("http://",""); var pos=currUrl.indexOf("/"); var hostname=currUrl.slice(0,pos); var path=currUrl.slice(pos); pos=currUrl.lastIndexOf("/"); var dir="http://"+currUrl.slice(0,pos); var options={ hostname:hostname, port:80, path:path, method:'GET', }; var req=http.request(options,function(resp){ var html = []; resp.on("data", function(data) { html.push(data); }) resp.on("end", function() { var buffer = Buffer.concat(html); var body = iconv.decode(buffer,'gb2312'); var $ = cheerio.load(body); $("tbody").each(function(index,element){ var $tbody=cheerio.load($(element).html()); var topic={}; topic.pageCount=1; topic.url=null; topic.title=null; $tbody(".forumdisplay a").each(function(index,element){ var topicUrl='http://www.55188.com/'+$tbody(element).attr("href"); var topicTitle=$tbody(element).text(); topic.url=topicUrl topic.title=topicTitle; }) $tbody(".threadpages").each(function(index,element){ topic.pageCount=$tbody(element).children().last().text(); }) if(topic.url!=null && topic.title!=null){ topics.push(topic); } }) }).on("error", function(err) { console.log("findTopicsInPage函数请求后获取响应时出现异常"+err); }) }); // 超时处理 req.setTimeout(7500,function(){ req.abort(); }); // 出错处理 req.on('error',function(err){ console.log('findTopicsInPage函数请求时发生错误'+err); }); // 请求结束 req.end();}//-------------------------------// 保存每个帖子的细节// topicUrl:帖子地址//-------------------------------function saveTopicDetail(index,topicUrl,topicTitle,ep){ var currUrl=topicUrl.replace("http://",""); var pos=currUrl.indexOf("/"); var hostname=currUrl.slice(0,pos); var path=currUrl.slice(pos); pos=currUrl.lastIndexOf("/"); var dir="http://"+currUrl.slice(0,pos); var options={ hostname:hostname, port:80, path:path, method:'GET', /* headers:{ 'Referer':'http://www.55188.com', }*/ }; var req=http.request(options,function(resp){ var html = []; resp.on("data", function(data) { html.push(data); }) resp.on("end", function() { var buffer = Buffer.concat(html); var body = iconv.decode(buffer,'gb2312'); var $ = cheerio.load(body); var infos=[];// 获得的发帖人信息 // 得到发帖人信息 $(".postinfo").each(function(index,element){ var content=$(element).text(); content=content.replace(/\s+/g,' ');// 空白字符替换为一个空格 var arr=content.split(" ");// 以空格劈分 if(arr.length==7){ info={'url':topicUrl, 'title':topicTitle, '楼层':arr[1], '作者':arr[2].replace('只看：',''), '日期':arr[4], '时间':arr[5]}; infos.push(info); //console.log('info='+info); }else if(arr.length==8){ info={'url':topicUrl, 'title':topicTitle, '楼层':arr[1], '作者':arr[2].replace('只看：',''), '日期':arr[5], '时间':arr[6]}; infos.push(info); //console.log('info='+info); } }) if(infos.length>0){ //obj.savefile(index,infos); // 存文件 var text=JSON.stringify(infos); filename='./'+folder+'/'+index+'.dat'; fs.writeFile(filename,text,function(err){ if(err){ console.log('写入文件'+filename+'失败,因为'+err); } }); ep.emit('ok');//一个任务完成，触发一次ok事件 } }).on("error", function(err) { console.log("saveTopicDetail函数请求后获取相应时出现异常"+err); }) }); // 超时处理 req.setTimeout(7500,function(){ req.abort(); }); // 出错处理 req.on('error',function(err){ console.log('saveTopicDetail函数请求时出现异常'+err); }); // 请求结束 req.end();}//-------------------------------// 递归调用// start:起始位置//-------------------------------function foo(start){ console.log('start='+start); var most=20;// 并发数不要超过100 var ep = new EventProxy(); ep.after('ok',most,function(){ foo(start+most);//一个批次任务完成，递归进行下一批任务 }); var q=0; for(var i=start;i<finalTopics.length;i++){ if(q>=most){ break;//最多添加most个任务 } var item=finalTopics[i]; saveTopicDetail(item.index,item.url,item.title,ep); q++; }}//-------------------------------// 入口函数// start:起始页,从1开始// end:终止页，>start//-------------------------------function main(start,end){ var flow=require('nimble'); flow.series([ function(callback){ setTimeout(function(){ createFolder(); callback(); },100); }, function(callback){ setTimeout(function(){ findTopics(start,end); callback(); },100); }, function(callback){ setTimeout(function(){ var n=topics.length; console.log("共找到"+n+"个帖子"); /*for(var i=0;i<n;i++){ saveTopicDetail(i,'http://www.55188.com/thread-8350207-2-1.html',' T+4荐股赢金钻选股赛马场 '); }*/ // 获得每个子贴所在地址，序号和标题 var index=0; var arr=[]; for(var i=0;i<n;i++){ var topic=topics[i]; for(var j=1;j<=topic.pageCount;j++){ var regexp=new RegExp(/-(\d+)-(\d+)-(\d+)/); var topicUrl=topic.url.replace(regexp,"-$1-"+j+"-$3");// 用正则表达式替换第二个数字 index++; var item={'index':index,'url':topicUrl,'title':topic.title}; arr.push(item); } } console.log('将生成文件'+index+'个'); finalTopics=arr; foo(0); callback(); },5000); }, ]);}//--------------------------------------// 通用函数，返回当前日期时间//--------------------------------------function currDateTime() { var date = new Date(); var seperator1 = "-"; var seperator2 = "_"; var month = date.getMonth() + 1; var strDate = date.getDate(); if (month >= 1 && month <= 9) { month = "0" + month; } if (strDate >= 0 && strDate <= 9) { strDate = "0" + strDate; } var currentdate =date.getFullYear() + seperator1 + month + seperator1 + strDate + " " + date.getHours() + seperator2 + date.getMinutes() + seperator2 + date.getSeconds(); return currentdate;}// 开始main(1,5);

控制台的输出示例：

C:\Users\horn1\Desktop\node.js\59-理想论坛爬虫1.04>node lixiang.js准备创建目录目录infos(2018-04-25 21_29_8)已创建准备从以下页面寻找主贴page=http://www.55188.com/forum-8-1.htmlpage=http://www.55188.com/forum-8-2.htmlpage=http://www.55188.com/forum-8-3.htmlpage=http://www.55188.com/forum-8-4.htmlpage=http://www.55188.com/forum-8-5.html共找到350个帖子将生成文件15334个start=0start=20start=40start=60start=80start=100start=120start=140start=160start=180start=200start=220start=240start=260start=280start=300start=320start=340start=360start=380start=400start=420start=440start=460start=480start=500start=520start=540start=560start=580start=600start=620start=640start=660start=680C:\Users\horn1\Desktop\node.js\59-理想论坛爬虫1.04>node lixiang.js