所以我正在制作一个用于学习目的的小爬虫,最后我应该得到网站上页面的树状结构。
我一直在努力争取正确的请求。这或多或少是我所拥有的:
var request = require('request');
function scanPage(url) {
// request the page at given url:
request.get(url, function(err, res, body) {
var pageObject = {};
/* [... Jquery mumbo-jumbo to
1. Fill the page object with information and
2. Get the links on that page and store them into arrayOfLinks
*/
var arrayOfLinks = ['url1', 'url2', 'url3'];
for (var i = 0; i < arrayOfLinks.length; i++) {
pageObj[arrayOfLinks[i]] = scanPage[arrayOfLinks[i]];
}
});
return pageObj;
}
我知道这段代码在很多层面上都是错误的,但它应该让您了解我正在尝试做什么。
我应该如何修改它才能使其工作? (如果可能,不使用 promise )
(您可以假设该网站具有树状结构,因此每个页面都只链接到三个页面下方的页面,因此采用递归方法)
最佳答案
我知道无论出于何种原因您都不想使用 promises(我不能在评论中问为什么,因为我是新手),但我相信 promises 是实现这一目标的最佳方式。
这是一个使用 promises 的解决方案,可以回答您的问题,但可能不是您所需要的:
var request = require('request');
var Promise = require('bluebird');
var get = Promise.promisify(request.get);
var maxConnections = 1; // maximum number of concurrent connections
function scanPage(url) {
// request the page at given url:
return get(url).then((res) => {
var body = res.body;
/* [... Jquery mumbo-jumbo to
1. Fill the page object with information and
2. Get the links on that page and store them into arrayOfLinks
*/
var arrayOfLinks = ['url1', 'url2', 'url3'];
return Promise.map(arrayOfLinks, scanPage, { concurrency: maxConnections })
.then(results => {
var res = {};
for (var i = 0; i < results.length; i++)
res[arrayOfLinks[i]] = results[i];
return res;
});
});
}
scanPage("http://example.com/").then((res) => {
// do whatever with res
});
编辑:感谢 Bergi 的评论,重写了代码以避免 Promise 构造函数反模式。
编辑:以更好的方式重写。通过使用 Bluebird 的 concurrency
选项,您可以轻松地限制同时连接的数量。
关于javascript - 如何使用 javascript 制作递归爬虫?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37546141/