【nodejs爬蟲】使用async控制併發寫一個小說爬蟲

最近在作一個書城項目，數據用爬蟲爬取，百度了一下找到這個網站，以擇天記這本小說爲例。

爬蟲用到了幾個模塊，cheerio，superagent，async。

superagent是一個http請求模塊，詳情可參考連接。

cheerio是一個有着jQuery相似語法的文檔解析模塊，你能夠簡單理解爲nodejs中的jQuery。

async是一個異步流程控制模塊，在這裏咱們主要用到async的mapLimit(coll, limit, iteratee, callback)

async.mapLimit(urls, 10, function (url, callback) {
        fetchUrl(url, callback, id)
      }, function (err, results) {
        //TODO
      })

第一個參數coll是一個數組，保存了小說的章節url，第二個參數limit是控制併發數，第三個參數iteratee接受一個回調函數，該回調函數的第一個參數就是單獨某一章的url，第二個參數也是一個回調函數，這個回調函數執行後會把結果（在這裏就是每一章的內容）保存到第四個參數callback的results中，results是一個數組，保存了全部章節的內容。

咱們在fetchUrl獲取章節數據。

 

首先咱們要根據小說的主頁url獲取全部章節的url保存到數組urls中：

superagent.get(url)
    .charset('gbk')  //該網站編碼爲gbk，用到了superagent-charset
    .end(function (err, res) {
      var $ = cheerio.load(res.text); //res.text爲獲取的網頁內容，經過cheerio的load方法處理後，以後就是jQuery的語法了
      let urls = []
      total = $('#list dd').length
      console.log(`共${$('#list dd').length}章`)
      $('#list dd').each(function (i, v) {
        if (i < chapters) {
          urls.push('http://www.zwdu.com' + $(v).find('a').attr('href'))
        }
      })

fetchUrl函數

function fetchUrl(url, callback, id) {
  superagent.get(url)
    .charset('gbk')
    .end(function (err, res) {
      let $ = cheerio.load(res.text)
      //obj爲構建的包含章節信息的對象
      callback(null, obj)  //將obj傳遞給第四個參數中的results
    })
}

完整代碼：

/**
 * Created by tgxh on 2017/7/4.
 */
const cheerio = require('cheerio')
const express = require('express')
const app = express()
const superagent = require('superagent')
require('superagent-charset')(superagent)
const async = require('async');

let total = 0 //總章節數
let id = 0 //計數器
const chapters = 10 //爬取多少章
const url = 'http://www.zwdu.com/book/8634/'

//去除先後空格和 轉義字符
function trim(str) {
  return str.replace(/(^\s*)|(\s*$)/g, '').replace(/ /g, '')
}

//將Unicode轉漢字
function reconvert(str) {
  str = str.replace(/(&#x)(\w{1,4});/gi, function ($0) {
    return String.fromCharCode(parseInt(escape($0).replace(/(%26%23x)(\w{1,4})(%3B)/g, "$2"), 16));
  });
  return str
}

function fetchUrl(url, callback, id) {
  superagent.get(url)
    .charset('gbk')
    .end(function (err, res) {
      let $ = cheerio.load(res.text)
      const arr = []
      const content = reconvert($("#content").html())
      //分析結構後分割html
      const contentArr = content.split('<br><br>')
      contentArr.forEach(elem => {
        const data = trim(elem.toString())
        arr.push(data)
      })
      const obj = {
        id: id,
        err: 0,
        bookName: $('.footer_cont a').text(),
        title: $('.bookname h1').text(),
        content: arr.join('-')  //因爲須要保存至mysql中，不支持直接保存數組，因此將數組拼接成字符串，取出時再分割字符串便可
      }
      callback(null, obj)  
    })
}

app.get('/', function (req, response, next) {
  superagent.get(url)
    .charset('gbk')
    .end(function (err, res) {
      var $ = cheerio.load(res.text);
      let urls = []
      total = $('#list dd').length
      console.log(`共${$('#list dd').length}章`)
      $('#list dd').each(function (i, v) {
        if (i < chapters) {
          urls.push('http://www.zwdu.com' + $(v).find('a').attr('href'))
        }
      })

      async.mapLimit(urls, 10, function (url, callback) {
        id++
        fetchUrl(url, callback, id) //須要對章節編號，因此經過變量id來計數
      }, function (err, results) {
        response.send(results)
      })
    })
})

app.listen(3378, function () {
  console.log('server listening on 3378')
})

結果以下：