在1.01版本中，我发现各回调函数找到数据后再插入数据库有个竞争问题不好解决，如果等所有回调都完成也没有好的处理方法，因为启动不止一处启动了新的TopicSpider实例。
于是我决定把读数据和写DB分开，爬虫负责前一部分，insertDB.js负责后一部分。
这样做避免了爬虫写DB竞争和判断所有回调都结束的难点问题。
而insertDB.js中，等待所有读文件的回调都结束是有办法的，那就是并行化控制，毕竟读各个文件比较简单，易于用task控制。
下面是爬虫代码：
//====================================================== // 理想论坛帖子下载爬虫1.02 // 目标网址：http://www.55188.com/forum-8-1.html // 已经将获得数据和插入数据分开 // 此文件代码负责找到数据并存入文件 // 插入数据由insertDB.js负责 // 2018年4月16日 //====================================================== // 内置http模块 var http=require("http"); // 用于解析gzip网页（ungzip，https得到的网页是用gzip进行压缩的） var zlib = require('zlib'); // 内置文件处理模块 var fs=require('fs'); // 用于转码。非Utf8的网页如gb2132会有乱码问题，需要iconv将其转码 var iconv = require('iconv-lite'); // cheerio模块，提供了类似jQuery的功能，用于从HTML code中查找图片地址和下一页 var cheerio = require("cheerio"); // 请求参数,JSON格式，http和https都有使用 var options; // request请求 var req; // 爬虫总数 var spiderCount=0; // 完成任务的爬虫数 var spiderFinished=0; // 爬虫获得的全部信息 var allInfos=[]; // 存放文件的目录 var folder=""; //------------------------------- // 爬虫类 // index：爬虫序号 // title:帖子标题 // url:帖子地址 // pageNo:帖子页码 //------------------------------- function TopicSpider(title,url){ var obj=new Object; spiderCount++; obj.index=spiderCount; // 序号 obj.title=title; // 标题 obj.url=url; // 地址 obj.pageNo=1; // 页码 obj.crawl=function(){ // 得到hostname和path var currUrl=this.url.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); // 初始化options options={ hostname:hostname, port:80, path:path,// 子路径 method:'GET', }; // 请求并处理response 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 // 得到下一页信息 var nexturl=null; $(".pages_btns .pages strong").each(function(index,element){ if(nexturl==null){ obj.pageNo=$(element).text(); var nextNode=$(element).next(); if(nextNode && nextNode.attr("href")){ // 如有下一页再起新爬虫 nexturl='http://www.55188.com/'+nextNode.attr("href"); var nextspider=new TopicSpider(obj.title,nexturl); nextspider.crawl(); } } }) // 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':obj.url, 'title':obj.title, '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':obj.url, 'title':obj.title, '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); } }) // 信息获取结束，打印出爬虫信息 var msg=''; msg+='小爬序号:'+obj.index+'\n'; msg+='小爬爬取的帖子标题:'+obj.title+'\n'; msg+='小爬爬取的页码:'+obj.pageNo+'\n'; msg+='小爬爬取的帖子地址:'+obj.url+'\n'; msg+='小爬获取的信息数量:'+infos.length+'\n'; obj.savefile(obj.index,infos); // 存文件 msg+='小爬#:'+obj.index+'任务完成\n'; console.log(msg); // 计算比例 spiderFinished++; var percent=(spiderFinished*100/spiderCount).toFixed(2); console.log('\n启动的爬虫数:'+spiderCount+',完成任务的爬虫数:'+spiderFinished+',完成比例:'+percent+"%"); }).on("error", function(err) { console.log(coloredText('请求失败，异常为'+err,'red')); }) }); // 超时处理 req.setTimeout(7500,function(){ req.abort(); }); // 出错处理 req.on('error',function(err){ console.log(coloredText('请求发生错误'+err,'red')); }); // 请求结束 req.end(); }; // 保存文件 obj.savefile=function(index,infos){ 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); } }); } return obj; } //------------------------------- // 找到每个论坛页的帖子 // pageUrl:论坛页的地址 //------------------------------- function findTopicsInPage(pageUrl){ console.log("Current page="+pageUrl); // 得到hostname和path 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); // 初始化options options={ hostname:hostname, port:80, path:path,// 子路径 method:'GET', }; // 请求并处理response 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); $(".forumdisplay a").each(function(index,element){ var topicUrl='http://www.55188.com/'+$(element).attr("href"); var topicTitle=$(element).text(); // 启动子贴爬虫 var spider=new TopicSpider(topicTitle,topicUrl); spider.crawl(); }) }).on("error", function(err) { console.log("findTopicsInPage函数失败"+err); }) }); // 超时处理 req.setTimeout(7500,function(){ req.abort(); }); // 出错处理 req.on('error',function(err){ console.log('请求发生错误'+err); }); // 请求结束 req.end(); } //------------------------------- // 得到带颜色（前景色）的文字，用于在控制台输出 // text:文字 // color:前景色 //------------------------------- function coloredText(text,color){ var dic = new Array(); dic["white"] = ['\x1B[37m', '\x1B[39m']; dic["grey"] = ['\x1B[90m', '\x1B[39m']; dic["black"] = ['\x1B[30m', '\x1B[39m']; dic["blue"] = ['\x1B[34m', '\x1B[39m']; dic["cyan"] = ['\x1B[36m', '\x1B[39m']; dic["green"] = ['\x1B[32m', '\x1B[39m']; dic["magenta"] = ['\x1B[35m', '\x1B[39m']; dic["red"] = ['\x1B[31m', '\x1B[39m']; dic["yellow"] = ['\x1B[33m', '\x1B[39m']; return dic[color][0]+text+dic[color][1] } //------------------------------- // 入口函数 // start:起始页,从1开始 // end:终止页，>start //------------------------------- function main(start,end){ console.log(coloredText('爬取任务开始','yellow')); folder='infos('+getNowFormatDate()+")"; // 创建目录 fs.mkdir('./'+folder,function(err){ if(err){ console.log("目录"+folder+"已经存在"); } }); for(var i=start;i<=end;i++){ pageUrl='http://www.55188.com/forum-8-'+i+'.html' findTopicsInPage(pageUrl); } } //------------------------------- // 测试函数,用于测试TopicSpider类 //------------------------------- function testTopicSpider(){ var spider=new TopicSpider('测试','http://www.55188.com/thread-8325667-1-1.html'); spider.crawl(); } //-------------------------------------- // 取得当前时间 //-------------------------------------- function getNowFormatDate() { 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); //testTopicSpider();
写出的文件示例截图如下：
这些文件是json格式的，示例：
[{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"楼主","作者":"先见天机","日期":"2018-4-15","时间":"15:13"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"2楼","作者":"短线冲","日期":"2018-4-15","时间":"15:27"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"3楼","作者":"勇儿马甲","日期":"2018-4-15","时间":"15:52"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"4楼","作者":"崇心开始","日期":"2018-4-15","时间":"15:52"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"5楼","作者":"老法儿","日期":"2018-4-15","时间":"16:28"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"6楼","作者":"金山水财","日期":"2018-4-15","时间":"16:33"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"7楼","作者":"生活如愿","日期":"2018-4-15","时间":"17:19"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"8楼","作者":"李汶安","日期":"2018-4-15","时间":"17:41"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"9楼","作者":"极品之星","日期":"2018-4-16","时间":"07:57"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"10楼","作者":"叼叼狼","日期":"2018-4-16","时间":"08:54"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"11楼","作者":"先见天机","日期":"2018-4-16","时间":"09:47"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"12楼","作者":"先见天机","日期":"2018-4-16","时间":"09:56"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"13楼","作者":"先见天机","日期":"2018-4-16","时间":"10:10"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"14楼","作者":"先见天机","日期":"2018-4-16","时间":"10:23"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"15楼","作者":"先见天机","日期":"2018-4-16","时间":"10:35"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"16楼","作者":"先见天机","日期":"2018-4-16","时间":"10:51"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"17楼","作者":"先见天机","日期":"2018-4-16","时间":"10:58"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"18楼","作者":"先见天机","日期":"2018-4-16","时间":"11:00"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"19楼","作者":"先见天机","日期":"2018-4-16","时间":"11:10"},{"url":"http://www.55188.com/thread-8337207-1-5.html","title":" 大势分析 ","楼层":"20楼","作者":"先见天机","日期":"2018-4-16","时间":"11:17"}]
而insertDB.js的代码如下：
//====================================================== // 在理想论坛帖子下载爬虫1.02生成数据文件后读取数据插入数据库 // 2018年4月17日 //====================================================== var fs=require('fs'); // 内置文件处理模块 var allInfos=[]; // 数据文件里获得的全部信息 var folder; // 数据文件所在的目录 var tasks=[]; // 任务数组 var finished=0; // 已完成任务的数量 //-------------------------------------- // 将数据插入数据库 //-------------------------------------- function insertDB(){ console.log("开始插入DB"); console.log('总计将有'+allInfos.length+"条数据将被插入数据库"); var mysql=require('mysql'); // 连接mysql数据库的模块 var conn=mysql.createConnection({ host:'127.0.0.1', port:'3306', database:'test', user:'root', password:'12345678', }); conn.connect(function(err){ if(err){ console.log('与MySQL数据库建立连接失败'); }else{ console.log('与MySQL数据库建立连接成功'); for(var i=0;i<allInfos.length;i++){ var info=allInfos[i]; sql="insert into test.topic7(floor,author,tdate,ttime,addtime,url,title) values ('" +info['楼层']+"','" +info['作者']+"','" +info['日期']+"','" +info['时间']+"'," +"now(),'" +info['url']+"','" +info['title']+"' " +" )"; conn.query(sql,function(err,result){ if(err){ console.log(err); }else{ //console.log("Insert succeed"); } }) } conn.end(); //console.log('全部数据插入完成'); } }); } //-------------------------------------- // 检查是否完成 //-------------------------------------- function checkIfFinished(){ finished++; // 读取任务全完成再插DB if(finished==tasks.length){ console.log("数据总量:"+allInfos.length); insertDB(); } } //-------------------------------------- // 入口函数 //-------------------------------------- function main() { folder='./'+'infos(2018-04-17 5_38_18)';// 数据文件所在目录 fs.readdir(folder,function(err,files){ if(err) throw err; for(var index in files){ var task=(function(file){ return function(){ fs.readFile(file,'utf8',function(err,data){ if(err){ console.log('读取文件失败,因为'+err); }else{ var infos=JSON.parse(data); allInfos=allInfos.concat(infos); checkIfFinished(); } }); } })(folder+'/'+files[index]); tasks.push(task); } for(var task in tasks){ tasks[task](); } }); } // 开始 main();
下面是数据库截图：
这样分离后，原有的问题就算解决了，Python爬虫也可以照此解决。
2018年4月17日08点45分
扫一扫
791
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
