NodeJS的url截取模塊url-extract的使用實例

2019-11-20 21:40:31

字體：大中小

來源：轉載

供稿：網友

上次介紹了怎么利用NodeJS + PhantomJS進行截圖，但由于對每次截圖操作，都啟用了一個PhantomJS進程，所以并發量上去后，效率堪憂，所以我們重寫了所有代碼，并將其獨立成為一個模塊，方便調用。
如何改進？控制線程數，以及單線程處理url數量。使用Standard Output & WebSocket 進行通訊。添加緩存機制，目前使用Javascript Object進行。對外提供簡易的接口。

設計圖

依賴 & 安裝

由于PhantomJS 1.9.0+才開始支持Websocket，所以我們先要確定在PATH中的PhantomJS是為1.9.0以上版本。在命令行鍵入：

$ phantomjs -v

如果能返回版本號1.9.x，則可以繼續操作。如果版本過低，或者出現錯誤，請到PhantomJS官網下載最新版本。

如果你已經安裝了Git，或者擁有Git Shell，那么在命令行鍵入：
$ npm install url-extract

進行安裝。

一個簡單的例子

比如我們要截取百度首頁，那么可以這樣：

復制代碼代碼如下:

 module.exports = (function () { "use strict" var urlExtract = require('url-extract'); urlExtract.snapshot('http://www.baidu.com', function (job) { console.log('This is a snapshot example.'); console.log(job); process.exit(); }); })(); 

下面是打?。?/P>

其中，image屬性就是截圖相對于工作路徑的地址。我們可以使用Job的getData接口來得到更清楚的數據，例如：

復制代碼代碼如下:

 module.exports = (function () { "use strict" var urlExtract = require('url-extract'); urlExtract.snapshot('http://www.baidu.com', function (job) { console.log('This is a snapshot example.'); console.log(job.getData()); process.exit(); }); })(); 

打印就變成了這樣了：

image表示截圖相對于工作路徑的地址，status表示狀態是否正常，true代表正常，false代表截圖失敗。

主要API

.snapshot

url快照

.snapshot(url, [callback]).snapshot(urls, [callback]).snapshot(url, [option]).snapshot(urls, [option])

復制代碼代碼如下:
url {String} 要截取的地址 urls {Array} 要截取的地址數組 callback {Function} 回調函數 option {Object} 可選參數 ┝ id {String} 自定義url的id，如果第一個參數是urls，此參數無效 ┝ image {String} 自定義截圖的保存地址，如果第一個參數是urls，此參數無效 ┝ groupId {String} 定義一組url的groupId，用于返回時候辨認是哪一組url ┝ ignoreCache {Boolean} 是否忽略緩存 ┗ callback {Function} 回調函數

.extract
url信息抓取，并獲取快照
.extract(url, [callback]).extract(urls, [callback]).extract(url, [option]).extract(urls, [option])
url {String} 要截取的地址
urls {Array} 要截取的地址數組
callback {Function} 回調函數
option {Object} 可選參數
┝ id {String} 自定義url的id，如果第一個參數是urls，此參數無效
┝ image {String} 自定義截圖的保存地址，如果第一個參數是urls，此參數無效
┝ groupId {String} 定義一組url的groupId，用于返回時候辨認是哪一組url
┝ ignoreCache {Boolean} 是否忽略緩存
┗ callback {Function} 回調函數
Job（類）
每一個url對應一個job對象，url的相關信息由job對象存儲。
Field
url {String} 鏈接地址content {Boolean} 是否抓取頁面的title和description信息id {String} job的idgroupId {String} 一堆job的組idcache {Boolean} 是否開啟緩存callback {Function} 回調函數image {String} 圖片地址status {Boolean} job當前是否正常
Prototype
getData() 獲取job的相關數據

全局配置
url-extract根目錄中的config文件可以進行全局配置，默認如下：
module.exports = { wsPort: 3001, maxJob: 100, maxQueueJob: 400, cache: 'object', maxCache: 10000, workerNum: 0};
wsPort {Number} websocket占用的端口地址maxJob {Number} 每個PhantomJS線程可并發worker數maxQueueJob {Number} 最大等待工作數量，0表示不限制，超過該數量，任何工作都直接返回失?。磗tatus = false）cache {String} 緩存實現，目前只有object實現maxCache {Number} 最大緩存鏈接數workerNum {Number} PhantomJS線程數，0表示和CPU數量相同

一個簡單的服務例子
https://github.com/miniflycn/url-extract-server-example
注意，需要安裝connect和url-extract：
$ npm install
如果你下載了網盤的文件，那么請安裝connect：
$ npm install connect
然后鍵入：
$ node bin/server
打開：
http://localhost:3000
查看效果。

;