最近在组内做一些爬虫相关的工作，本来想自己简单造个轮子的，但是经网友推荐后，采用了node-crawler，用了一段时间过后，确实满足了我的绝大部分需求，但是其 api 却不支持 promise，而且我还需要一些同步爬取、同步处理的能力，如果不用 promise 的话，写法很不优雅，所以我就简单地给其封装了一层 promise api
现状
目前 node-crawler 的使用方式不支持 promise ，这里直接给出 npm 上的使用例子
const Crawler = require("crawler") // 实例化 const c = new Crawler({ // ... 可以传入一些配置 callback : function (error, res, done) { // 请求回调，实例化的时候传入的 callback 是作为默认 callback 的，后续每次抓取如果没有传入 callback，那么都会调用默认 callback done(); } }) // 爬取 c.queue([{ uri: 'http://parishackers.org/', jQuery: false, // The global callback won't be called callback: function (error, res, done) { if(error){ console.log(error); }else{ console.log('Grabbed', res.body.length, 'bytes'); } done(); } }])
这样的回调方式对于多爬虫同步爬取很不友好
改造
理想使用方式：
const Crawler = require('crawler') const c = new Crawler({ // 一些默认配置 }) c .queue({ uri: 'xxx' }) .then(res => { // 抓取成功 }) .catch(err => { // 抓取失败 })
改造方案：
// utils/crawler.js const Crawler = require('crawler') const defaultOptions = { jQuery: false, rateLimit: fetchRateLimit, retries: 0, timeout: fetchTimeout, } module.exports = class PromiseifyCrawler extends Crawler { // namespace 是为了后续抓取结果统一上报时候进行区分 constructor(namespace = 'unknow', options = {}) { if (typeof namespace === 'object') { options = namespace namespace = 'unknow' } options = merge({}, defaultOptions, options) const cb = options.callback options.callback = (err, res, done) => { typeof cb === 'function' && cb(err, res, noop) process.nextTick(done) // 在这里可以自定义抓取成功还是失败 // 我这里直接设置的是如果 http code 不是 200 就视为错误 // 而且在这里也可以做一些抓取成功失败的统计 if (err || res.statusCode !== 200) { if (!err) err = new Error(`${res.statusCode}-${res.statusMessage}`) err.options = res.options err.options.npolisReject(err) } else { res.options.npolisResolve(res) } } options.headers = Object.assign({}, options.headers, { 'X-Requested-With': 'XMLHttpRequest', }) super(options) } queue(options = {}) { // 每次抓取都是一个新的 promise return new Promise((resolve, reject) => { // 然后在 options 里挂载上 resolve 和 reject // 这样在全局 callback 上就可以用到了 options.npolisResolve = resolve options.npolisReject = reject const pr = options.preRequest options.preRequest = (options, done) => { typeof pr === 'function' && pr(options, noop) // 在这里也可以做一些通用的抓取前的处理 done() } super.queue(options) }) } // direct api 同理 } // 使用 const Crawler = require('./utils/crawler') const crawler = new Crawler('示例爬虫 namespace') crawler .queue({ uri: 'xxx', preRequest: options => log('开始抓取'), }) .then(res => { log('爬取成功') return res }) .catch(err => { log('爬取失败') throw err }) promise 化后，多个爬取任务同步爬取写法就友好多了： // 抓取任务1 const fetchTask1 = () => crawler.queue({/* 配置 */}).then(res => handle(res)) // 抓取任务2 const fetchTask2 = () => crawler.queue({/* 配置 */}).then(res => handle(res)) const fetch = () => { return Promise.all([ fetchTask1(), fetchTask2(), ]) } fetch()
这样就完成了对 node-crawler 的 promise 化改造了