Node.js 网页抓取问题 | 请求 | 啦啦队

Question

我正在使用 Node.js 和 request 模块以及cheerio 模块编写一个相当简单的网络爬虫。 我的代码无法正常工作，原因有两个：

1. 当尝试抓取图像 url 时，我只为每个页面多次返回一个 url。
2. 每个 'href' 和 'title' 的迭代以看似随机的顺序发生（每次都是相同的顺序，但仍然没有顺序，例如 1、2、3 等）

这是我的代码：

var request = require('request'),
    cheerio = require('cheerio');

var sqlite3 = require('sqlite3').verbose();
var database = "storage.db"
console.log('[+] Creating database: ' + database);
var db = new sqlite3.Database(database);

var pw_url = "https://primewire.unblocked.ink"

console.log('[+] Creating table with rows...');
db.serialize(function() {
  db.run("CREATE TABLE IF NOT EXISTS main (title TEXT, film_page_links TEXT, img_url TEXT)");
});

var img_urls = {}

function iter_pages(page_number) {
  request(pw_url + '/index.php?sort=featured&page=' + page_number, function(err, resp, body) {
    if(!err && resp.statusCode == 200) {
      console.log('[+] The request response status code is: ' + resp.statusCode);
      var $ = cheerio.load(body);
      console.log('[+] Inserting values into database.');
      $('.index_item a img', '.index_container').each(function() {
        img_urls.img_url = $(this).attr('src');
      });
      $('.index_item a', '.index_container').each(function() {
        var url = $(this).attr('href');
        var title = $(this).attr('title');
        if(url.startsWith('/watch-')) {
          //urls.push('https://primewire.unblocked.ink' + url);
          db.run("INSERT INTO main (title, film_page_links, img_url) VALUES (?, ?, ?)",
                  title.replace("Watch ", ""),
                  pw_url + url,
                  "https:" + img_urls.img_url);
        };
      });
      console.log('[+] Processed page:' + page_number);
    }
  });
}

for (var i = 1; i < 5; i++) {
    iter_pages(i);
}

这是我的 console.log：

[+] Creating database: storage.db
[+] Creating table with rows...
[+] The request response status code is: 200
[+] Inserting values into database.
[+] Processed page:4
[+] The request response status code is: 200
[+] Inserting values into database.
[+] Processed page:1
[+] The request response status code is: 200
[+] Inserting values into database.
[+] Processed page:3
[+] The request response status code is: 200
[+] Inserting values into database.
[+] Processed page:2

正如你所看到的，它按照 4、1、3、2 的顺序进行，这让我很困惑。

它返回的图像 url 始终是每个页面的第 21 项。

我是 JavaScript 的新手，所以请善待，我已经尝试在 iter_pages 函数中移动获取图像 url 的方法，这会破坏代码或返回相同的内容。

即使是更高级教程的链接也足够了，我学东西很快，但问题是我发现的所有教程都只是非常基本的技术。

Answer 1

第一个问题：

这是您设置图像 url 的方式： img_urls.img_url = ... 。

发生的情况是每次设置时，您都将它放在相同的属性中并覆盖那里的内容，这就是为什么它总是页面中的最后一个。 您可以尝试通过推入数组来修复它，但是由于您有两个循环，这会使事情变得更加复杂，而是尝试在同一个循环中执行这两个操作：

 $('.index_item a', '.index_container').each(function() {
    var url = $(this).attr('href');
    var title = $(this).attr('title');
    var img_url = $('img', this).attr('src');
    if(url.startsWith('/watch-')) {
      //urls.push('https://primewire.unblocked.ink' + url);
      db.run("INSERT INTO main (title, film_page_links, img_url) VALUES (?, ?, ?)",
              title.replace("Watch ", ""),
              pw_url + url,
              "https:" + img_url);
    };
  });

第二个问题：

你必须意识到几件事。 request(...)正在发出异步网络请求。 这意味着该函数立即完成，结果尚未到达。 所以循环继续进行，所有网络请求同时开始，但由于有很多不同的变量和运气，其中一些网络请求在不同的时间完成。 有些可能更快，有些可能更慢。 由于它们几乎都是同时启动的，启动的顺序并不重要。 这是您的问题简化：

const request = require('request');

for (let i = 0; i < 5; i++) { 
  makeRequest(i);
}

function makeRequest(i) {
  console.log('Starting', i);
  console.time(i);
  request('http://google.com', () => console.timeEnd(i));
}

这是日志：

$ node a.js
Starting 0
Starting 1
Starting 2
Starting 3
Starting 4
1: 8176.111ms
2: 8176.445ms
3: 8206.300ms
0: 8597.458ms
4: 9112.237ms

再次运行它会产生这样的结果：

$ node a.js
Starting 0
Starting 1
Starting 2
Starting 3
Starting 4
3: 8255.378ms
1: 8260.633ms
2: 8259.134ms
0: 8268.859ms
4: 9230.929ms

所以你可以看到顺序不是确定性的。 只是有些完成得比其他人快。

如果您真的希望它们按顺序发生，我建议使用控制流库。 async.js是最受欢迎的之一。