Node爬取大批量文件的方法示例

const cheerio = require("cheerio"); //用于处于HTML文档流，用法类似jQueryconst 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);    });  })}