nodejs 实现异步并发爬虫

---

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);
            });
        callback(null,'成功');
    },
    function(err,result){
        if (err){
                console.log(err)
            }
        else{
            console.log('结束');
            }           
        })
}
function savedImg(imageList,title){
    fs.mkdir('./image/'+title,function(err){
        if(err){console.log(err)};
    });
    console.time('下载'+title+'耗时');
    imageList.forEach(function(item,index){
        let img_title=index;
        let img_filename = img_title + '.jpg';
        let img_src='http://'+item.substring(9);
        request({uri:img_src,encoding:'binary'},function(err,res,body){
            if(!err&&res.statusCode==200){
                fs.writeFile('./image/'+title+'/' + img_filename,body,'binary',function(err){
                    if(err){
                        console.log(err);
                    }
                })
            }
        })
    })
    console.timeEnd('下载'+title+'耗时');
}


getUrl(url);//主程序开始运行

---

后记

之前对 promise 函数有所了解，但是并没有在具体的项目之中使用过，通过这次爬虫对 promise 和 async 有了更深的了解。因为非科班出身，所以对同异步的概念一开始也没有概念，也算弥补了一下自己基础知识的部分缺陷。