2017-12-18 155 views
1

我在摆弄使用Node.js从电子商务网站刮取数据。我使用Request来检索页面的DOM,并使用Cheerio来执行服务器端DOM选择。如何在Javascript中添加服务器端延迟for循环?

const cheerio = require('cheerio'); 
const request = require('request'); 

// takes a URL, scrapes the page, and returns an object with the data 
let scrapePage = (url) => { 

    return new Promise((resolve, reject) => { 

     request(url, (error, resp, body) => { 

      if(error){ 
       reject(error); 
      }; 

      let $ = cheerio.load(body); 
      let $url = url; 
      let $price = $('#rt-mainbody > div > div.details > div.Data > div:nth-child(4) > div.description').text(); 

      let obj = { 
       url: $url, 
       price: $price 
      } 

      resolve(obj); 

     }); 

    }); 

}; 

// Runs scrapePage in a loop 
// There is a variable called arrayOfURLs defined elsewhere that contains 100s of URLs 

for(let i = 0; i < arrayOfURLs.length; i++){ 
    scrapePage(arrayOfURLs[i]) 
     .then((obj) => { 
      //write to a file 
     }) 
     .catch((error) => { 
     }) 
}; 

的问题是,我将请求发送到服务器有时会发回空白数据,我假设,因为我发送太多的请求,没有任何形式的停顿。由于JS的异步特性,我很难弄清楚如何在循环的每次迭代之间添加有效的延迟。仅仅以同步的方式添加setTimeOut是不够的,因为setTimeOut本身是异步的,并且我在服务器上运行它,所以没有Window对象。

编辑

上面的代码是什么我工作的简化版本。整个代码是这样的:

app.js

const fs = require('fs'); 
const path = 'urls.txt'; 
const path2 = 'results.txt'; 
const scraper = require('./scraper'); 

let scrapePage = (url) => { 
    scraper.scrapePage(url) 
     .then((obj) => { 
      // console.log('obj from the scraper with Promises was received'); 
      // console.log(obj); 
      // console.log('writing obj to a file'); 
      fs.appendFile(path2, JSON.stringify(obj) + ', ', (error) => { 
       if(error){ 
        console.log(error); 
       } else { 
        // console.log('Successfully wrote to ' + path2); 
       } 
      }) 
     }) 
     .catch((error) => { 
      console.log('There was an error scraping obj: '); 
      console.log(error); 
     }) 
} 

fs.readFile(path, 'utf8', (err, data) => { 

    if (err){ 
    throw err; 
    }; 

    var urlArray = JSON.parse(data); 

    // this returns an Unexpected Identifier error  
    // const results = await Promise.all(urlArray.map(scrapePage)); 

    // this returns an Unexpected Token Function error 
    // async function scrapePages(){ 
    // const results = await Promise.all(urlArray.map(scrapePage)); 
    // }; 

}); 

scraper.js

const request = require('request'); 
const cheerio = require('cheerio'); 

exports.scrapePage = (url) => { 
    return new Promise((resolve, reject) => { 
     request(url, (error, resp, body) => { 
      if(error){ 
       reject(error); 
      }; 

      let $ = cheerio.load(body); 
      let $url = url; 

      let $price = $('#rt-mainbody > div > div.details > div.itemData > div:nth-child(4) > div.description').text(); 

      let obj = { 
       url: $url, 
       price: $price 
      } 

      resolve(obj); 

     }) 
    }) 
} 
+0

可能重复[什么是睡眠()的JavaScript版本?](https://stackoverflow.com/questions/951021/what-is-the-javascript-version-of-sleep) –

+0

你不能依靠假设数据将在一定时间后出现在那里。改为使用回调函数尝试一种方法。 – Ctznkane525

+1

我会调查这个空白数据问题,至少记录标题和响应代码,以便找出错误的位置。好像你在猜测,为什么在你知道错误是什么之前进行修改? –

回答

2

看起来像你对我没有等待你的承诺,以解决您发送服务器响应之前。您可以使用例如async/await例如完全消除for循环。

const results = await Promise.all(arrayOfURLs.map(scrapePage)); 
+0

我有一个小的代码编辑。我已经在等待用'.then'解决的承诺。 'scrapePage'方法返回一个Promise,然后等待它用'.then'解决,之后我将结果写入一个文件。 – fuzzybabybunny

+0

@fuzzybabybunny是的,所以这对于后处理每个刮都很好,但是我担心的是你没有等待所有*在返回HTTP响应之前解决的承诺 - 这是服务器返回“空白”的最可能原因,回复,因为它在*刮完成之前返回*。 – James

+0

我编辑了我的原始文章以包含我的实际代码。我加了一点'await Promise.all',但是我收到了错误 - 它们在我更新后的代码中描述。我在运行一个方法的回调函数中运行'scrapePage'函数来从文本文件中读取URL。 – fuzzybabybunny

1

如果您希望不超过x个活动连接数,您可以使用throttle。或者,如果您希望每秒不超过x数量,则可以使用throttlePeriod

使用Promise.all绝不会叫你的决心处理程序,如果只有一个请求失败,所以你可以捕捉任何错误,并返回一个失败对象

const Fail = function(details){this.details=details;}; 
const max10 = throttle(10)(scrapePage);//max 10 active connections 
//const fivePerSecond = throttlePeriod(2,1000)(scrapePage); //start no more than 2 per second 
Promise.all(
    arrayOfURLs.map(
    url => 
     max10(url) 
     .catch(err=>new Fail([err,url])) 
) 
) 
.then(
    results =>{ 
    successes = 
     results.filter(
     result=>(result&&result.constructor)!==Fail 
    ); 
    failed = 
     results.filter(
     result=>(result&&result.constructor)===Fail 
    ) 
    } 
); 
1
const cheerio = require('cheerio'); 
const request = require('request'); 
let scrapePage = (url) => { 

return new Promise((resolve, reject) => { 

    request(url, (error, resp, body) => { 

     if(error){ 
      reject(error); 
      return; 
     }; 

     if(!body) { 
      reject('Empty Body'); 
      return; 
     } 


     let $ = cheerio.load(body); 

     let $url = url; 
     let $price = $('#rt-mainbody > div > div.details > div.Data > div:nth-child(4) > div.description').text(); 

     let obj = { 
      url: $url, 
      price: $price 
     } 

     resolve(obj); 

    }); 

}); 
}; 

function processUrl(url){ 
scrapePage(url) 
    .then((obj) => { 
     //write to a file 
     if(i < arrayOfURLs.length) 
      processUrl(arrayOfURLs.pop()) 
    }) 
    .catch((error) => { 
     arrayOfURLs.unshift(url); 
     if(i < arrayOfURLs.length) // put this in finally block 
      processUrl(arrayOfURLs.pop()) 
    }) 
}; 
processUrl(arrayOfURLs.pop()); 

这里我们可以使用arrayOfUrls数组作为队列,如果我们收到了一个错误或空白页面,我们再次将此URL放入数组中。这样我们就可以以同步的方式处理每个URL。

+1

这看起来像一个很好的6+解决方案。我会考虑使用'#array.pop'来代替索引。 – pguardiario