本文共 1918 字,大约阅读时间需要 6 分钟。
由于我在网上找不到crawler的相关介绍博客所以写了这一片文章
npm 安装:npm install crawler
var c = new Crawler({ encoding:null, jQuery:false, //在每个请求处理完毕后将调用此回调函数 callback : function (error, res, done) { if(error){ console.log(error); }else{ var $ = res.$; //$ 默认为 Cheerio 解析器 //它是核心jQuery的精简实现,可以按照jQuery选择器语法快速提取DOM元素 console.log($("title").text()); } done(); }});
然后往crawler队列里面不停的加url就行了,
//将一个URL加入请求队列,并使用默认回调函数c.queue('http://www.amazon.com');//将多个URL加入请求队列c.queue(['http://www.google.com/','http://www.yahoo.com']);
爬虫框架一般都是同时去爬多个页面,但是速度过快会触发目标网站的反爬虫机制,也同时影响别人网站的性能。
控制最大的并发数量
var c = new Crawler({ // 最大并发数默认为10 maxConnections : 1, callback : function (error, res, done) { if(error){ console.log(error); }else{ var $ = res.$; console.log($("title").text()); } done(); }});
使用慢速模式
使用参数 rateLimit 启用慢速模式,两次请求之间会闲置 rateLimit 毫秒,而 maxConnections 将被强行修改为 1 。var c = new Crawler({ // `maxConnections` 将被强制修改为 1 maxConnections : 10, // 两次请求之间将闲置1000ms rateLimit: 1000, callback : function (error, res, done) { if(error){ console.log(error); }else{ var $ = res.$; console.log($("title").text()); } done(); }});
下载图片等静态文件
var c = new Crawler({ encoding:null, jQuery:false, // set false to suppress warning message. callback:function(err, res, done){ if(err){ console.error(err.stack); }else{ fs.createWriteStream(res.options.filename).write(res.body); } done(); }});c.queue({ uri:"https://nodejs.org/static/images/logos/nodejs-1920x1200.png", filename:"nodejs-1920x1200.png"});
转载地址:http://flqbi.baihongyu.com/