目標(biāo)

建立一個(gè) lesson5 項(xiàng)目，在其中編寫代碼。

代碼的入口是 app.js，當(dāng)調(diào)用 node app.js 時(shí)，它會輸出 CNode(https://cnodejs.org/ ) 社區(qū)首頁的所有主題的標(biāo)題，鏈接和第一條評論，以 json 的格式。

注意：與上節(jié)課不同，并發(fā)連接數(shù)需要控制在 5 個(gè)。

輸出示例：

[
 {
  "title": "【公告】發(fā)招聘帖的同學(xué)留意一下這里",
  "href": "http://cnodejs.org/topic/541ed2d05e28155f24676a12",
  "comment1": "呵呵呵呵"
 },
 {
  "title": "發(fā)布一款 Sublime Text 下的 JavaScript 語法高亮插件",
  "href": "http://cnodejs.org/topic/54207e2efffeb6de3d61f68f",
  "comment1": "沙發(fā)！"
 }
]

知識點(diǎn)

學(xué)習(xí) async(https://github.com/caolan/async ) 的使用。這里有個(gè)詳細(xì)的 async demo 演示：https://github.com/alsotang/async_demo

學(xué)習(xí)使用 async 來控制并發(fā)連接數(shù)。

課程內(nèi)容

lesson4 的代碼其實(shí)是不完美的。為什么這么說，是因?yàn)樵?lesson4 中，我們一次性發(fā)了 40 個(gè)并發(fā)請求出去，要知道，除去 CNode 的話，別的網(wǎng)站有可能會因?yàn)槟惆l(fā)出的并發(fā)連接數(shù)太多而當(dāng)你是在惡意請求，把你的 IP 封掉。

我們在寫爬蟲的時(shí)候，如果有 1000 個(gè)鏈接要去爬，那么不可能同時(shí)發(fā)出 1000 個(gè)并發(fā)鏈接出去對不對？我們需要控制一下并發(fā)的數(shù)量，比如并發(fā) 10 個(gè)就好，然后慢慢抓完這 1000 個(gè)鏈接。

用 async 來做這件事很簡單。

這次我們要介紹的是 async 的 mapLimit(arr, limit, iterator, callback) 接口。另外，還有個(gè)常用的控制并發(fā)連接數(shù)的接口是 queue(worker, concurrency)，大家可以去 https://github.com/caolan/async#queueworker-concurrency 看看說明。

這回我就不帶大家爬網(wǎng)站了，我們來專注知識點(diǎn)：并發(fā)連接數(shù)控制。

對了，還有個(gè)問題是，什么時(shí)候用 eventproxy，什么時(shí)候使用 async 呢？它們不都是用來做異步流程控制的嗎？

我的答案是：

當(dāng)你需要去多個(gè)源(一般是小于 10 個(gè))匯總數(shù)據(jù)的時(shí)候，用 eventproxy 方便；當(dāng)你需要用到隊(duì)列，需要控制并發(fā)數(shù)，或者你喜歡函數(shù)式編程思維時(shí)，使用 async。大部分場景是前者，所以我個(gè)人大部分時(shí)間是用 eventproxy 的。

正題開始。

首先，我們偽造一個(gè) fetchUrl(url, callback) 函數(shù)，這個(gè)函數(shù)的作用就是，當(dāng)你通過

fetchUrl('http://www.baidu.com', function (err, content) {
 // do something with `content`
});

調(diào)用它時(shí)，它會返回 http://www.baidu.com 的頁面內(nèi)容回來。

當(dāng)然，我們這里的返回內(nèi)容是假的，返回延時(shí)是隨機(jī)的。并且在它被調(diào)用時(shí)，會告訴你它現(xiàn)在一共被多少個(gè)地方并發(fā)調(diào)用著。

// 并發(fā)連接數(shù)的計(jì)數(shù)器
var concurrencyCount = 0;
var fetchUrl = function (url, callback) {
 // delay 的值在 2000 以內(nèi)，是個(gè)隨機(jī)的整數(shù)
 var delay = parseInt((Math.random() * 10000000) % 2000, 10);
 concurrencyCount++;
 console.log('現(xiàn)在的并發(fā)數(shù)是', concurrencyCount, '，正在抓取的是', url, '，耗時(shí)' + delay + '毫秒');
 setTimeout(function () {
  concurrencyCount--;
  callback(null, url + ' html content');
 }, delay);
};

我們接著來偽造一組鏈接

var urls = [];
for(var i = 0; i < 30; i++) {
 urls.push('http://datasource_' + i);
}

這組鏈接的長這樣：

接著，我們使用 async.mapLimit 來并發(fā)抓取，并獲取結(jié)果。

async.mapLimit(urls, 5, function (url, callback) {
 fetchUrl(url, callback);
}, function (err, result) {
 console.log('final:');
 console.log(result);
});

運(yùn)行輸出是這樣的：

可以看到，一開始，并發(fā)鏈接數(shù)是從 1 開始增長的，增長到 5 時(shí)，就不再增加。當(dāng)其中有任務(wù)完成時(shí)，再繼續(xù)抓取。并發(fā)連接數(shù)始終控制在 5 個(gè)。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論