問題描述

最近因為沒小說看，也無聊，就想著用Node來寫爬蟲爬書下來，弄了好幾天有些問題。爬小說異步的話章節(jié)不是順序排列的，所以用了sync-request進行同步操作，我爬的是筆趣閣這個網(wǎng)站上的書，現(xiàn)在由于剛學(xué)，只是做了爬單本書的。我發(fā)現(xiàn)在爬取的時候，會假死掉，停在那不動了，而且每次的章節(jié)數(shù)不同，我就加了個十秒的timeout超時，但是還是會出現(xiàn)這種假死的情況。后來百度了下，說網(wǎng)站是有防止爬蟲的東東的，具體我也不太清楚==，我就想，那我就加個間隔咯，我讓他每請求十次就休息20秒鐘，再重新爬。結(jié)果！！！還是會假死，233333。所以現(xiàn)在有點不明白為啥了，想求教一下，給點思路。拜托各位~~

下面是我請求的代碼，具體章節(jié)列表我在另一個js里面爬出來寫在json里面了，這邊是直接請求每個鏈接的了:

var http = require(’http’)var fs = require(’fs’)var cheerio = require(’cheerio’)var iconv = require(’iconv-lite’)var request = require(’sync-request’)var urlList = JSON.parse(fs.readFileSync(’list.json’, ’utf-8’))var header = JSON.parse(fs.readFileSync(’header.json’), ’utf-8’)//爬取每章節(jié)正文并存在txt中function getContent(list,title) { //用try catch進行錯誤捕獲，防止報錯跳出 try{ var res = request(’GET’,list.link,{ ’timeout’: 10000, ’retry’: true, ’retryDelay’: 10000 }) var html = iconv.decode(res.body, ’utf8’) var $ = cheerio.load(html,{ decodeEntities: false }) var ContentTitle = $(’.bookname h1’).text() var ContentText = $(’#content’).text().trim().replace(’readx();’, ’’).replace(/&nbsp;/g, ’’) fs.appendFileSync(title+'.txt', ContentTitle) fs.appendFileSync(title+'.txt', ContentText) console.log('爬取' + list.link + '成功') }catch(err) { console.log('爬取' + list.link + '出錯') }}//為了達到間隔的調(diào)用請求做了遞歸調(diào)用function getUrl(index) { for (let i = index;i < urlList.length;i++){ if (i>0 && i%10 == 0){ getContent(urlList[i],header.title) console.log('休息一下') setTimeout(() => {i++getUrl(i) },20000) return }else { console.log(i) getContent(urlList[i],header.title) } }}getUrl(0)

就和這個一樣，爬了一段時間就這樣了，就跟死機了似得，后面不管等多久都沒動靜，設(shè)置的超時啥的也沒有反應(yīng)

問題解答

這兩天一直在弄這個問題，起初是以為是sync-request的問題，后來換了別的還是一樣。我就猜可能是ip網(wǎng)站給屏蔽了還是什么的，后來中午吃飯和同事閑聊，順便就請教了下，他們也就是說大概就這個問題。既然如此，我就去弄了些免費的代理IP，然后在請求的時候，只要是請求超時或者報錯就立馬切換一個IP地址去請求。這樣下來，昨天特地爬了一個很大的小說，今天上班過來一看，全部爬下來了，沒有出現(xiàn)問題，哈哈。不過免費的代理IP很多都用不了，所以在這上面浪費了部分時間。現(xiàn)在要開始看看怎么爬多本書了，↖(^ω^)↗