node.js主從分散式爬蟲

来源:https://www.cnblogs.com/geniusrun/archive/2019/03/28/10614748.html
-Advertisement-
Play Games

前言 前文介紹過用Python寫爬蟲，但是當任務多的時候就比較慢， 這是由於Python自帶的http庫urllib2發起的http請求是阻塞式的，這意味著如果採用單線程模型，那麼整個進程的大部分時間都阻塞在等待服務端把數據傳輸過來的過程中。所以我們這次嘗試用node.js去做這個爬蟲。 為什麼選擇 ...


前言

前文介紹過用Python寫爬蟲，但是當任務多的時候就比較慢， 這是由於Python自帶的http庫urllib2發起的http請求是阻塞式的，這意味著如果採用單線程模型，那麼整個進程的大部分時間都阻塞在等待服務端把數據傳輸過來的過程中。所以我們這次嘗試用node.js去做這個爬蟲。

為什麼選擇node.js

node.js是一款基於google的V8引擎開發javascript運行環境。在高性能的V8引擎以及事件驅動的單線程非同步非阻塞運行模型的支持下，node.js實現的web服務可以在沒有Nginx的http伺服器做反向代理的情況下實現很高的業務併發量。

分散式爬蟲設計

這次也用上次的分散式設計，使用Redis伺服器來作為任務隊列。
如圖：
分散式爬蟲設計

非同步

node.js是基於非同步的寫法，有時一個函數需要上一個函數的返回值做參數，這樣下來一不小心就會陷入回調地獄的陷阱中。
所以這次我們用async模塊控制流程。

準備工作

  1. 安裝node.js和Redis
  2. 安裝request、async與Redis相關的庫

代碼

主函數(master.js)

"use strict"
const request = require('request')
const cheerio = require('cheerio')
const fs = require('fs')

const utils = require('./utils')
const log = utils.log

const config = require('./config')
const task_url_head = config.task_url_head
const main_url = config.main_url
const proxy_url = config.proxy_url

const redis_cache = require('./redis_cache')
const redis_client = redis_cache.client

const Task = function() {
    this.id = 0
    this.title = ''
    this.url = ''
    this.file_name = ''
    this.file_url = 0
    this.is_download = false
}
//總下載數
var down_cont = 0
//當前下載數
var cur_cont = 0

const taskFromBody = function(task_url, body) {
    
    const task = new Task()
    // cheerio.load 用字元串作為參數返回一個可以查詢的特殊對象
    // body 就是 html 內容
    const e = cheerio.load(body)
    // 查詢對象的查詢語法和 DOM API 中的 querySelector 一樣
    const title = e('.controlBar').find('.epi-title').text()
    const file_url = e('.audioplayer').find('audio').attr('src')
    const ext = file_url.substring(file_url.length-4)
    const task_id = task_url.substring(task_url.length-5)
    const file_name = task_id+'.'+title+ext

    task.id = task_id
    task.title = title
    task.url = task_url
    task.file_name = file_name.replace(/\//g,"-").replace(/:/g,"：")
    task.file_url = file_url
    task.is_download = false

    redis_client.set('Task:id:'+task_id,JSON.stringify(task),function (error, res) {
        if (error) {
            log('Task:id:'+task_id, error)
        } else {
            log('Task:id:'+task_id, res)
        }
        cur_cont = cur_cont + 1
        if (down_cont == cur_cont) {
            // 操作完成，關閉redis連接
            redis_client.end(true);
            log('已完成')
        }
    })
}

const taskFromUrl = function(task_url) {
    request({
        'url':task_url,
        'proxy':proxy_url,
        }, 
        function(error, response, body) {
        // 回調函數的三個參數分別是  錯誤, 響應, 響應數據
        // 檢查請求是否成功, statusCode 200 是成功的代碼
        if (error === null && response.statusCode == 200) {
            taskFromBody(task_url, body)
        } else {
            log('*** ERROR 請求失敗 ', error)
        }
    })
}

const parseLink = function(div) {
    let e = cheerio.load(div)
    let href = e('a').attr('href')
    return href
}

const dataFromUrl = function(url) {
    // request 從一個 url 下載數據並調用回調函數
    request({
            'url' : url,
            'proxy' : proxy_url,
            }, 
            function(error, response, body) {
            // 回調函數的三個參數分別是  錯誤, 響應, 響應數據
            // 檢查請求是否成功, statusCode 200 是成功的代碼
            if (error === null && response.statusCode == 200) {
                // cheerio.load 用字元串作為參數返回一個可以查詢的特殊對象
                // body 就是 html 內容
                const e = cheerio.load(body)
                // 查詢對象的查詢語法和 DOM API 中的 querySelector 一樣
                const itmeDivs = e('.epiItem.video')

                for(let i = 0; i < itmeDivs.length; i++) {
                    let element = itmeDivs[i]
                    // 獲取 div 的元素並且用 itmeFromDiv 解析
                    // 然後加入 link_list 數組中
                    const div = e(element).html()
                    // log(div)
                    const url_body = parseLink(div)
                    const task_url = task_url_head+url_body
                    down_cont = itmeDivs.length
                    taskFromUrl(task_url)
                    // redis_client.set('Task:id:'+task_id+':url', task_link, )
                }
                // 操作完成，關閉redis連接
                // redis_client.end(true)
                log('*** success ***')
            } else {
                log('*** ERROR 請求失敗 ', error)
            }
        })
}

const __main = function() {
    // 這是主函數
    const url = main_url
    dataFromUrl(url)
}

__main()

從函數(salver.js)

"use strict"
const http = require("http")
const fs = require("fs")
const path = require("path")
const redis = require('redis')
const async = require('async')

const utils = require('./utils')
const log = utils.log

const config = require('./config')
const save_dir_path = config.save_dir_path

const redis_cache = require('./redis_cache')
const redis_client = redis_cache.client

//總下載數
var down_cont = 0
//當前下載數
var cur_cont = 0

const getHttpReqCallback = function(fileUrl, dirName, fileName, downCallback) {
    log('getHttpReqCallback fileName ', fileName)
    var callback = function (res) {
        log("request: " + fileUrl + " return status: " + res.statusCode)
        if (res.statusCode != 200) {
            startDownloadTask(fileUrl, dirName, fileName, downCallback)
            return
        }
        var contentLength = parseInt(res.headers['content-length'])
        var fileBuff = []
        res.on('data', function (chunk) {
            var buffer = new Buffer(chunk)
            fileBuff.push(buffer)
        })
        res.on('end', function () {
            log("end downloading " + fileUrl)
            if (isNaN(contentLength)) {
                log(fileUrl + " content length error")
                return
            }
            var totalBuff = Buffer.concat(fileBuff)
            log("totalBuff.length = " + totalBuff.length + " " + "contentLength = " + contentLength)
            if (totalBuff.length < contentLength) {
                log(fileUrl + " download error, try again")
                startDownloadTask(fileUrl, dirName, fileName, downCallback)
                return
            }
            fs.appendFile(dirName + "/" + fileName, totalBuff, function (err) {
                if (err){
                    throw err;  
                }else{
                    log('download success')
                    downCallback()
                } 
            })
        })
    }
    return callback
}

var startDownloadTask = function (fileUrl, dirName, fileName, downCallback) {
    log("start downloading " + fileUrl)
    var option = {
        host : '127.0.0.1',
        port : '8087',
        method:'get',//這裡是發送的方法
        path : fileUrl,
        headers:{
            'Accept-Language':'zh-CN,zh;q=0.8',
            'Host':'maps.googleapis.com'
        }
    }
    var req = http.request(option, getHttpReqCallback(fileUrl, dirName, fileName, downCallback))
    req.on('error', function (e) {
        log("request " + fileUrl + " error, try again")
        startDownloadTask(fileUrl, dirName, fileName, downCallback)
    })
    req.end()
}

const beginTask = function(task_key, callback) {
    log('beginTask', task_key)
    redis_client.get(task_key,function (err,v){
        let task = JSON.parse(v)
        // log('task', task)

        let file_url = task.file_url
        let dir_path = save_dir_path
        let file_name = task.file_name
        
        if (task.is_download === false) {
            startDownloadTask(file_url, dir_path, file_name,function(){
                task.is_download = true
                redis_client.set(task_key, JSON.stringify(task), function (error, res) {   
                    log('update redis success', task_key)
                    // cur_cont = cur_cont + 1
                    // if(cur_cont == down_cont){
                    //     redis_client.end(true)                            
                    // }
                    callback(null,"successful !");
                })
            })
        }else{
            callback(null,"successful !");
        }
    }) 
}


const mainTask = function() {
    redis_client.keys('Task:id:[0-9]*',function (err,v){
        // log(v.sort())  
        let task_keys = v.sort()
        down_cont = task_keys.length
        log('down_cont', down_cont)
        //控制非同步
        async.mapLimit(task_keys, 2, function(task_key,callback){
            beginTask(task_key, callback)
        },function(err,result){
            if(err){
                log(err);
            }else{
                // log(result);  //會輸出多個“successful”字元串的數組
                log("all down！");
                redis_client.end(true)     
            }
        });
       
    })
}

const initDownFile = function() {
    fs.readdir(save_dir_path, function(err, files){
        if (err) {
            return console.error(err)
        }
        let file_list = []
        files.forEach( function (file){
            file_list.push(file.substring(0, 5))
        })
        // log(file_list)
        redis_client.keys('Task:id:[0-9]*',function (err,v){
            let task_keys = v
            // log(task_keys)
            let unfinish_len = task_keys.filter((item)=>file_list.includes(item.substring(item.length - 5)) == false).length
            let cur_unfinish_lent = 0
            task_keys.forEach(function (task_key){
                let task_id = task_key.substring(task_key.length - 5)
                
                if (file_list.includes(task_id) == false) {
                    // log(task_key)
                    redis_client.get(task_key,function (err,v){
                        let task = JSON.parse(v)

                        task.is_download = false
                        // log(task)
                        // log(task_key)
                        redis_client.set(task_key, JSON.stringify(task), function (error, res) {
                            cur_unfinish_lent++
                            // log('cur_unfinish_lent', cur_unfinish_lent)
                            if (cur_unfinish_lent == unfinish_len) {
                                redis_client.end(true)  
                                log('init finish')
                            }
                        })  
                    })
                }
            })
        })
     })
}

const __main = function() {
    // 這是主函數
    // initDownFile()
    mainTask()
}

__main()

完整代碼的地址

https://github.com/zhourunliang/nodejs_crawler


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • vue源碼逐行註釋分析+40多m的vue源碼程式流程圖思維導圖 （ddf部分待後續更新）
    vue源碼業餘時間差不多看了一年，以前在網上找帖子，發現很多帖子很零散，都是一部分一部分說，斷章的很多，所以自己下定決定一行行看，經過自己堅持與努力，現在基本看完了，差ddf那部分，因為考慮到自己要換工作了，所以暫緩下來先，ddf那塊後期我會補上去。這個vue源碼逐行分析，我基本每一行都打上註釋，加 ...
  • Node.Js http服務(websocket)
    安裝node，下載地址 https://nodejs.org/en/ cmd 中 輸入 node -v 安裝成功可以查看版本 cmd 中 ctrl - c 可以 結束 和 啟動 編輯 js 文本 這樣就是一個簡單服務 OK了 ...
  • Extjs renderer函數
    昨天提到了改變grid中 行的背景顏色，其實還有一個更簡單的方法，就是利用renderer:function(){}函數 renderer 函數是一個攔截者模式，用於改變渲染到單元格的值和樣式。 不過測試的時候發現IE11顏色顯示不出來。畢竟是與宇宙為敵的瀏覽器，就不去管了。 這個方法昨天的文章中也 ...
  • vue.js - 2
    最近開發公司vue前端項目，做一下筆記，偶爾上來查漏補缺 組件操作： 使用flag標識符結合v-if和v-else切換組件 頁面結構： Vue實例定義： 使用:is屬性來切換不同的子組件,並添加切換動畫 組件實例定義方式： 使用component標簽，來引用組件，並通過:is屬性來指定要載入的組件： ...
  • 網頁設計（CSS&JS）
    實驗一 簡單靜態網頁設計 一、 實驗目的： 二、 實驗內容： 根據提供的素材設計線上調查問卷。 三、 實驗要求： 四、 實驗學時：4學時 五、 實驗步驟： 實驗準備： 1.在硬碟上為本實驗建立文件夾（以下稱為“實驗文件夾”）。 2.根據提供的素材設計線上調查問卷： （1） 從開始菜單啟動記事本； （ ...
  • [個人網站搭建]·Django增加評論功能(Python3)
    [個人網站搭建]·Django增加評論功能 個人主頁--> https://xiaosongshine.github.io/ 個人網站搭建github地址：https://github.com/xiaosongshine/djangoWebs 安裝django插件 pip install djang ...
  • JS非同步解析
    同步和非同步 舉個
  • 構建vue零散筆記
    # vue項目(用webpack構建)的前提是已安裝了node.js,vue,vue-cli,webpack # 主要命令構建：vue init webpack 項目名（純英文，且不可駝峰）運行：npm run dev打包：npm run build(需要修改配置信息) # element-ui## ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類