nodejs 实现异步并发爬虫

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

• • • • 前言

• 修改完代码

• 后记

---

前言

前两天实现了简单的爬草榴和今日头条的图片。但是他们都有一个缺点，就是只有当前任务完成以后才会进行下一个任务。所以就在网上搜了一下。

因为之前不是计算机专业的，所以刚开始的时候花了一部分时间来理解异步和并发的概念。知乎上面有一篇解释阻塞非阻塞与异步同步区别的问题回答还不错 怎样理解阻塞非阻塞与同步异步的区别？。

自己理解异步和同步就是

• 同步：需要等待返回结果才能继续做其他事。

• 异步：不需等待返回结果就能继续进行其他的事。

用在爬虫里面就是同步是一次只爬取一组图片，一组爬完以后才能爬第二组。而异步是同时爬取多组图片，不用等待。因此异步效率比同步快很多。废话不多说，上代码。

---

修改完代码

具体操作步骤见 nodejs 爬取动态网页 以今日头条街拍图片为例。因为只修改了 js 里面的代码，所以这里具体步骤就不再赘述了。

异步并发的模块是用 async.mapLimit来实现的。具体的调用方法如下

async.mapLimit(coll, limit, iteratee, callback opt)

各个参数的意义如下

| 参数 | 类型 | 意义 |

| — | — | — |

| coll | Array / Iterable / object | 要迭代的集合 |

| limie | number | 一次异步操作的最大数量 |

| iteratee | AsyncFunction | 对于 coll 中的每一个item，迭代执行该异步函数。用(item, callback)调用，callback可选 |

| callback | [ function ] | 所有 iteratee函数完成后或发生错误时触发的回调函数。用(err, results)调用。results可以是iteratee 函数完成后触发callback时传递的项 |

把之前的代码规范了一下，把所有 var 都去掉了，常量全都换成了 const，变量用 let。

完整的 js 代码如下

/*

• @Author: user

• @Date: 2018-05-02 09:46:38

• @Last Modified by: user

• @Last Modified time: 2018-05-02 09:46:45

*/

const https=require(‘https’);

const fs=require(‘fs’);

const request=require(‘request’);

const async=require(‘async’);

const startPage =0;//开始页

const endPage = 1;//结束页

let page=startPage;

let i=0;

//初始url

const url={

hostname: ‘www.toutiao.com’,

path: ‘/search_content/?offset=’+startPage*20+‘&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&cur_tab=3&from=gallery’,

headers: {

‘Content-Type’: ‘text/html’,

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36’,

}

}

let urlList=[];//存储图片页面地址

//获取图片所在页面

function getUrl(url){

//采用http模块向服务器发起一次get请求

https.get(url,function(res){

var html=‘’;

res.setEncoding(‘binary’);

//监听data事件，每次取一块数据

res.on(‘data’,function(chunk){

html+=chunk;

});

res.on(‘end’,function(){

html=JSON.parse(html);//由于获取到的数据是JSON格式的，所以需要JSON.parse方法浅解析

for(let i of html.data){

var obj ={title:i.title,url:i.article_url};

urlList.push(obj);

}

console.log(urlList.length);

page++;

if(page<=endPage){

let tempUrl=‘https://www.toutiao.com/search_content/?offset=’+page*20+‘&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&cur_tab=3&from=gallery’;

getUrl(tempUrl);

}else{

fetchPage();

}

})

}).on(‘err’,function(err){

console.log(err);

})

}

function fetchPage(){

//异步控制并发

async.mapLimit(urlList,5,function(url,callback){

//截取字符串拼接为图片所在文章地址

url.url=‘https://www.’+url.url.substring(7,19)+‘a’+url.url.substring(25);

https.get(url.url,function(res){

let html=‘’;

res.setEncoding(‘binary’);

res.on(‘data’,function(chunk){

html+=chunk;

})

res.on(‘end’,function(){

var news_item = {

//获取文章的标题

title: url.title,

//i是用来判断获取了多少篇文章

i: i = i + 1,

};

console.log(news_item); //打印信息

//用来匹配script中的图片链接

const reg=/http:\/\/p\d.pstatp.com\/origin(\/pgc-image)?\/[A-Za-z0-9]+/g;

let imageList=html.match(reg);

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！