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。