有个朋友在搞留学工作室，经常访问的一个网站叫留学者指南，然而每次都要去访问该网站，显得极其不专业。于是托俺帮忙写脚本去爬他家的东西，我观察了下，这次，我们要爬的东西就有点多了——大概就20多万个文件吧~~~
在20多万个文件中，下载极有可能会被中断，因此需要做下载进度备份，下载进度恢复。
那么针对这样子的需求，我们开始吧！
上代码！
const cheerio = require("cheerio"); //用于处于HTML文档流，用法类似jQuery const http = require("http"); //用于发起请求 const fs = require("fs"); //用于检测、写入文件等其他文件操作 // "http://www.compassedu.hk/sitemap1.txt", // "http://www.compassedu.hk/sitemap2.txt", //重复的链接 var source = [ //Robots.txt显示的数据源 "http://m.compassedu.hk/sitemap3.txt", "http://m.compassedu.hk/sitemap4.txt", "http://m.compassedu.hk/sitemap6.txt", "http://m.compassedu.hk/sitemap7.txt", "http://m.compassedu.hk/sitemap8.txt" ] var s = 0; //控制源的序号 var arr = []; //合并的下载地址数组 var sou = []; //源下载地址数组 var i = 0; //当前下载地址数组序号 fs.exists(__dirname+"/compassedu", function(flag){ //下载路径检测 if(!flag) fs.mkdirSync(__dirname+"/compassedu"); //创建下载存放目录 }) fs.exists(__dirname+"/logs", function(flag){ //日志路径检测 if(!flag) fs.mkdirSync(__dirname+"/logs"); //创建日志存放目录 }) if(fs.existsSync(__dirname+"/logs/compassedu_backup")){ //是否存在断连恢复下载的控制文档 let obj = JSON.parse(fs.readFileSync(__dirname+"/logs/compassedu_backup")); //存在则读取上次下载的位置 i = obj.index; init(); //开始初始化程序 } else{ init(); //开始初始化程序 } function init(){ //初始化 http.get(source[s], function(res){ //获取源下载地址文件 //将源文件的内容存储到数组 let rawData = ""; res.setEncoding("utf8"); res.on("data", function(chunk){ //监听数据流 rawData += chunk; }); res.on("end", function(){ //监听结束 sou[s] = rawData.split("\n"); console.log("源", s+1, ": ", sou[s].length, "条数据"); s++; if(s<source.length){ //源文件还未读取完 init(); } else{ //源文件读取完毕 for(let m=0;m<sou.length;m++){ //将所有的地址数组合并 arr = arr.concat(sou[m]); } arr = [...new Set(arr)]; //去重 console.log("总计: ", arr.length, "条数据", "\n爬虫配置完毕!!\n开始爬取 >>"); start(); //开始爬取程序 } }); }) } function start(){ //开始 let url = arr[i]; console.log(url); //打印当前爬取的URL http.get(url,function(res){ //发起请求 let obj = { //将当前的信息存储到对象中 "time": new Date().toLocaleTimeString(), "index": i, "url": url, "status": res.statusCode }; fs.appendFileSync("./logs/download.log", JSON.stringify(obj), "utf8"); //写入日志文件 fs.writeFileSync("./logs/compassedu_backup", JSON.stringify({"index": i}), "utf8"); //将当前的下载URL序号写入断连恢复文件 //读取请求到的数据流 let rawData = ""; res.setEncoding("utf8"); res.on("data", function(chunk){ //监听数据流事件 rawData += chunk; }); res.on("end", function(){ //监听结束事件 $ = cheerio.load(rawData); //启用类jQuery插件 title = $(".container-public h1").text().replace(/\s/,"").trim(); //读取数据流部分的标题 body = $(".container-public").html(); //读取数据流部分的内容 body = body.split("visible-xs")[0]; //剥离多于的数据或其他处理，准备写入文件 i++; //序号+1 fs.writeFile(__dirname+"/compassedu/"+title+".html", body, "utf8", function(err){ //将处理好的数据写入文件 if(!err) console.log(title, "写入成功"); else{ console.log(err); } }); if(i>=arr.length) { //若序号达到数组的最后，结束程序 console.log("爬取结束"); fs.unlinkSync("./logs/compassedu_backup");//爬取结束，销毁断连恢复文件 return; } else { //否则递归运行 start(); } }); res.on("error", function(err){ //监听其他错误 console.log(err); }); }) }
至此，就结束了，是否有bug还不清楚，数据还没爬完呢~
有bug的话，我后续补充修复~