目標(biāo)

建立一個(gè) lesson5 項(xiàng)目，在其中編寫(xiě)代碼。

代碼的入口是 app.js，當(dāng)調(diào)用 node app.js 時(shí)，它會(huì)輸出 CNode(https://cnodejs.org/ ) 社區(qū)首頁(yè)的所有主題的標(biāo)題，鏈接和第一條評(píng)論，以 json 的格式。

注意：與上節(jié)課不同，并發(fā)連接數(shù)需要控制在 5 個(gè)。

輸出示例：

[
  {
    "title": "【公告】發(fā)招聘帖的同學(xué)留意一下這里",
    "href": "http://cnodejs.org/topic/541ed2d05e28155f24676a12",
    "comment1": "呵呵呵呵"
  },
  {
    "title": "發(fā)布一款 Sublime Text 下的 JavaScript 語(yǔ)法高亮插件",
    "href": "http://cnodejs.org/topic/54207e2efffeb6de3d61f68f",
    "comment1": "沙發(fā)！"
  }
]

知識(shí)點(diǎn)

1. 學(xué)習(xí) async(https://github.com/caolan/async ) 的使用。這里有個(gè)詳細(xì)的 async demo 演示：https://github.com/alsotang/async_demo
2. 學(xué)習(xí)使用 async 來(lái)控制并發(fā)連接數(shù)。

課程內(nèi)容

lesson4 的代碼其實(shí)是不完美的。為什么這么說(shuō)，是因?yàn)樵?lesson4 中，我們一次性發(fā)了 40 個(gè)并發(fā)請(qǐng)求出去，要知道，除去 CNode 的話，別的網(wǎng)站有可能會(huì)因?yàn)槟惆l(fā)出的并發(fā)連接數(shù)太多而當(dāng)你是在惡意請(qǐng)求，把你的 IP 封掉。

我們?cè)趯?xiě)爬蟲(chóng)的時(shí)候，如果有 1000 個(gè)鏈接要去爬，那么不可能同時(shí)發(fā)出 1000 個(gè)并發(fā)鏈接出去對(duì)不對(duì)？我們需要控制一下并發(fā)的數(shù)量，比如并發(fā) 10 個(gè)就好，然后慢慢抓完這 1000 個(gè)鏈接。

用 async 來(lái)做這件事很簡(jiǎn)單。

這次我們要介紹的是 async 的 mapLimit(arr, limit, iterator, callback) 接口。另外，還有個(gè)常用的控制并發(fā)連接數(shù)的接口是 queue(worker, concurrency)，大家可以去 https://github.com/caolan/async#queueworker-concurrency 看看說(shuō)明。

這回我就不帶大家爬網(wǎng)站了，我們來(lái)專(zhuān)注知識(shí)點(diǎn)：并發(fā)連接數(shù)控制。

對(duì)了，還有個(gè)問(wèn)題是，什么時(shí)候用 eventproxy，什么時(shí)候使用 async 呢？它們不都是用來(lái)做異步流程控制的嗎？

我的答案是：

當(dāng)你需要去多個(gè)源(一般是小于 10 個(gè))匯總數(shù)據(jù)的時(shí)候，用 eventproxy 方便；當(dāng)你需要用到隊(duì)列，需要控制并發(fā)數(shù)，或者你喜歡函數(shù)式編程思維時(shí)，使用 async。大部分場(chǎng)景是前者，所以我個(gè)人大部分時(shí)間是用 eventproxy 的。

正題開(kāi)始。

首先，我們偽造一個(gè) fetchUrl(url, callback) 函數(shù)，這個(gè)函數(shù)的作用就是，當(dāng)你通過(guò)

fetchUrl('http://www.baidu.com', function (err, content) {
  // do something with `content`
});

調(diào)用它時(shí)，它會(huì)返回 http://www.baidu.com 的頁(yè)面內(nèi)容回來(lái)。

當(dāng)然，我們這里的返回內(nèi)容是假的，返回延時(shí)是隨機(jī)的。并且在它被調(diào)用時(shí)，會(huì)告訴你它現(xiàn)在一共被多少個(gè)地方并發(fā)調(diào)用著。

// 并發(fā)連接數(shù)的計(jì)數(shù)器
var concurrencyCount = 0;
var fetchUrl = function (url, callback) {
  // delay 的值在 2000 以?xún)?nèi)，是個(gè)隨機(jī)的整數(shù)
  var delay = parseInt((Math.random() * 10000000) % 2000, 10);
  concurrencyCount++;
  console.log('現(xiàn)在的并發(fā)數(shù)是', concurrencyCount, '，正在抓取的是', url, '，耗時(shí)' + delay + '毫秒');
  setTimeout(function () {
    concurrencyCount--;
    callback(null, url + ' html content');
  }, delay);
};

我們接著來(lái)偽造一組鏈接

var urls = [];
for(var i = 0; i < 30; i++) {
  urls.push('http://datasource_' + i);
}

這組鏈接的長(zhǎng)這樣：

http://wiki.jikexueyuan.com/project/node-lessons/images/5-1.png" alt="" />

接著，我們使用 async.mapLimit 來(lái)并發(fā)抓取，并獲取結(jié)果。

async.mapLimit(urls, 5, function (url, callback) {
  fetchUrl(url, callback);
}, function (err, result) {
  console.log('final:');
  console.log(result);
});

運(yùn)行輸出是這樣的：

http://wiki.jikexueyuan.com/project/node-lessons/images/5-2.png" alt="" />

可以看到，一開(kāi)始，并發(fā)鏈接數(shù)是從 1 開(kāi)始增長(zhǎng)的，增長(zhǎng)到 5 時(shí)，就不再增加。當(dāng)其中有任務(wù)完成時(shí)，再繼續(xù)抓取。并發(fā)連接數(shù)始終控制在 5 個(gè)。

完整代碼請(qǐng)參見(jiàn) app.js 文件。