基于Nodejs爬虫简单对比Callback、Promise与A
2017-05-07 本文已影响59人
黄努努
爱好三维立体图多年，近期打算将网络上能找到的资源收集一下。本着“偷懒至上”的原则，写一简单爬虫脚本解放手指。作为前端狗，不敢忘本职工作。于是一式三份，分别用Callback，Promise和Async实现一遍，权当学习ES6/7了。源码戳我
callback形式
- 目标网站：http://www.3wtu.com/
- 流程简述：
图片url分别存储在http://www.3wtu.com/picture/${i}.html (9 < i <183)这些网页。首先遍历这些网址，分别执行获取图片url => 获取图片数据 => 保存至本地。 - 不相关技术点：编码转换。
1. 取图片链接
首先我们封装一个单次请求的方法。由于我们的目标网站使用的gb2312的编码，因此我引入iconv模块用来解码。注意，不可用chunk += chunk 取代chunks.push(chunk)，前者隐含了操作chunk += chunk.toString('utf8')。 详见github.com/ashtuchkin/iconv-lite。
了解Nodejs的朋友应该对cheerio模块不会陌生，它相当于一个服务端的JQuery。
const http = require("http")
const fs = require("fs")
const cheerio = require("cheerio")
const iconv = require('iconv-lite')
var domian = 'http://www.3wtu.com'
var config = {
dirPath: __dirname + '/' + 'imagesByNormal/', // 图片存储目录
interval: 300, // 单次请求的时间间隔
}
function getPicsUrl(url, callback) {
http.get(url, function(res) {
var chunks = []
res.on("data" ,function(chunk) {
chunks.push(chunk)
})
res.on("end",function() {
// 转编码后的html
var decodedBody = iconv.decode(Buffer.concat(chunks), 'gb2312')
// 服务端版本的JQuery
var $ = cheerio.load(decodedBody, { decodeEntities: false })
// 图片的绝对地址
var pic = domian + $('.detailed-pic img').attr('src')
// 图片名字
var name = $('.detailed-title h4').html()
callback({ url: pic, name: name })
})
})
}
2. 请求图片数据
拿到图片的链接之后，我们就需要请求图片的数据。
function getPicData(pic, callback) {
// 文件类型后缀名
var fileType = pic.url.split('.').pop()
// 命名时带上3位时间戳，降低重名的概率
var diff = new Date().getTime().toString().substring(10)
// 图片路径与名字
var name = config.dirPath + pic.name + '#' + diff + '.' + fileType
// 请求图片数据
http.get(pic.url, function(res) {
var data = ''
res.setEncoding('binary')
res.on('data', function(chunk) {
data += chunk
})
res.on('end', function() {
callback(data, name)
})
})
}
3. File System 下载图片至本地
最后把图片存储到我们的本地。
function download(data, name, callback) {
fs.writeFile(name, data, 'binary', callback)
}
4.启动
以上三步就是针对目标网站将一张图片爬下来的全部过程。
现在我们只要启动遍历所有的目标网站即可
for (var i = 10; i < 183; i++) {
(function (index) {
var interval = (index - 10) * config.interval + Math.random() * 100
var url = 'http://www.3wtu.com/picture/' + index + '.html'
setTimeout(function () { // 等待，防止请求太快
getPicsUrl(url, function(picLink) { // 网页 => 图片url
getPicData(picLink, function (picData) { // 图片url => 图片数据
download(picData.data, picData.name, function (err) { // 图片数据 => 本地图片
if (err) {
console.log(err)
} else {
console.log(picData.name + ' downloaded successfully')
}
})
})
})
}, interval)
})(i)
}
以上代码重点看setTimeout，getPicsUrl，getPicData，download四连回调。这样写代码是不是特别地不舒服呢？如果再多几个嵌套回调，代码的可读性就会非常差。感受到了痛点，才能更好的理解“我们需要一些新东西取解决痛点”。而新东西就是指Promise和Async。
Promise与Async
本文主要目的在于结合实例阐述Promise和Async对开发效率及体验的友好度。如果一点都不了解Promise的朋友，可以先看看阮一峰老师的ES6标准入门。
另外，这里将Promise和Async放在一起，就是希望大家不要把两者对立起来。Promise本身是用于封装异步操作，同时提供了流程控制的API。而Async 函数只是对异步操作的流程控制，比Promise更加的直观和简洁，进一步提高了代码可读性。如果读到这句话一点概念也没有，可以先戳这里Generator，都说Async是Generator的语法糖，学习Async之前还是需要对Generator有一定了解的。（其实我觉得语法糖这个说法不太好，Class那种东西才是纯粹的语法糖好么？）
- 目标网站：http://www.360doc.com/content/13/0905/08/11561215_312316659.shtml
- 流程简述：
首先从目标网站中获取所有的图片url，遍历url数组 => 获取图片数据 => 保存至本地 。 - 不相关技术点：设置Request Header模拟浏览器行为。
1. 将异步请求封装成Promise
首先我们需要把上述的异步函数封装成Promise。
- 定时器
function _setTimeout(i) {
var interval = i * config.interval + Math.random() * 100
return new Promise(resolve => {
setTimeout(() => {
resolve()
}, interval)
})
}
- 获取图片url数组
function getPicsUrl(url) {
console.log(`开始向${url}请求图片地址...`)
var html = ''
return new Promise(resolve => {
http.get(url, res => {
res.on('data', data => { html += data })
res.on('end', data => {
var $ = cheerio.load(html)
var $pics = $('#artContent img')
var pics = [].slice.call($pics).map(pic => {
return pic.attribs.src
})
console.log(`图片链接获取完毕，共${pics.length}张图片。`)
resolve(pics)
})
})
})
}
- 获取图片数据
以下这段代码运用到了设置header模拟浏览器，我对这方面并无过多的了解，仅仅是针对需求而解决问题一种方案。就不过多解释了。（基础的http常识是必须具备的，只是应用层面上各取所需就好，学习是需要成本的，应该珍惜时间才对）
function getPicData(urlStr) {
var name = urlStr.substring(56)
var urlJson = url.parse(urlStr)
var data = ''
var option = {
hostname: urlJson.hostname,
path: urlJson.pathname,
// 对方网站有限制爬虫，需要设置header模拟浏览器
headers: {
"User-Agent": `Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.81 Safari/537.36`,
"Referer": `http://www.360doc.com/content/13/0905/08/11561215_312316659.shtml`,
}
}
return new Promise(resolve => {
http.get(option, res => {
res.setEncoding('binary')
res.on('data', chunk => { data += chunk })
res.on('end', () => {
resolve({name, data})
})
})
})
}
- 下载图片至本地
function download(pic) {
return new Promise(resolve => {
fs.writeFile(config.dirPath + pic.name, pic.data, 'binary', err => {
resolve({ err: err, name: pic.name })
})
})
}
2. Promise的流程控制
是不是很熟悉JQuery return this的链式操作？Promise的流程控制就特别相似，这样写代码是不是比嵌套回调舒服很多吧？
getPicsUrl(domain).then(picsArr => { // 获取图片url数组
for (let i = 0; i < picsArr.length; i++) {
_setTimeout(i) // 定时器等待
.then(() => getPicData(picsArr[i])) // 获取图片数据
.then(pic => download(pic)) // 下载图片至本地
.then(resJson => {
console.log(resJson.err || `${resJson.name} downloaded successfully`)
})
}
})
3. Async的流程控制
是不是已经非常接近同步代码了？毕竟号称异步编程之终极方案的~
async function crawler() {
if ( !isExit(config.dirPath) ) {
fs.mkdirSync(config.dirPath)
}
var picsArr = await getPicsUrl(domain) // 获取图片url数组
for (let i = 0; i < picsArr.length; i++) {
await _setTimeout() // 定时器等待
var pic = await getPicData(picsArr[i]) // 获取图片数据
var resJson = await download(pic) // 下载图片至本地
console.log(resJson.err || `${resJson.name} downloaded successfully`)
}
}
作品展示
源码戳我
展示一下成果，一共330张三维立体图
www.3wtu.com
www.360doc.com
如果看到这里你对三维立体图感兴趣，可以试试看破解下面这张。
雪人.jpg
