nodejs 实现异步并发爬虫(1)

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

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

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);

savedImg(imageList,url.title);

})

}).on(‘err’,function(err){

console.log(err);

感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

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！