【nodejs】理想论坛帖子下载爬虫1.07 使用request模块后稳定多了

时间:2024-09-23 19:33:14

在1.06版本时,访问网页采用的时http.request,但调用次数多以后就问题来了。

寻找别的方案时看到了https://cnodejs.org/topic/53142ef833dbcb076d007230,感觉request可以试试,之前在别的地方也听人夸过。

于是替换了saveTopicDetails函数的访问模块,经测试还不错,一万多条数据能跑下来,出错的几率不算高,不过今天也有休盘理想论坛压力轻的利好因素。

代码如下:

//======================================================
// 理想论坛帖子下载爬虫1.07
// saveTopicDetails中,使用request模块替代原来的http.request,稳定性大有提高
// 2018年4月28日
//======================================================
var http=require("http");            // http模块
var zlib = require('zlib');            // 用于解析gzip网页
var fs=require('fs');                // 文件处理模块
var iconv = require('iconv-lite');    // 用于转码。
var cheerio = require("cheerio");    // 用于从HTML中以类似jquery方式查找目标
var async=require('async');            // 用于异步流程控制
var EventProxy = require('eventproxy');// 用来控制并发
var BufferHelper = require('bufferhelper');// 用于拼接chunk

//--- 下面为全局变量 ---
var folder;// 存文件的目录
var topics=[]; // 帖子数组
var finalTopics=[];// 所有帖子加子贴的最终数组

//-------------------------------
// 用于创建目录
//-------------------------------
function createFolder(){
    console.log('准备创建目录');

    folder='infos('+currDateTime()+")";
    fs.mkdir('./'+folder,function(err){
        if(err){
            console.log("目录"+folder+"创建失败,因为"+err);
        }else{
            console.log("目录"+folder+"已创建");
        }
    });
}

//-------------------------------
// 浏览页面找主贴
// start:开始页,end:结束页
//-------------------------------
function findTopics(start,end){
    console.log('准备从以下页面寻找主贴');

    for(var i=start;i<=end;i++){
        pageUrl='http://www.55188.com/forum-8-'+i+'.html'
        findTopicsInPage(pageUrl);
    }
}

//-------------------------------
// 找到每个论坛页中的帖子
// pageUrl:论坛页的地址
//-------------------------------
function findTopicsInPage(pageUrl){
    console.log("page="+pageUrl);

    var currUrl=pageUrl.replace("http://","");
    var pos=currUrl.indexOf("/");
    var hostname=currUrl.slice(0,pos);
    var path=currUrl.slice(pos);
    pos=currUrl.lastIndexOf("/");
    var dir="http://"+currUrl.slice(0,pos);            

    var options={
        hostname:hostname,
            port:80,
            path:path,
          method:'GET',
    };    

    var req=http.request(options,function(resp){
        var html = [];

        resp.on("data", function(data) {
            html.push(data);
        })
        resp.on("end", function() {
            var buffer = Buffer.concat(html);

            var body = iconv.decode(buffer,'gb2312');
            var $ = cheerio.load(body);            

            $("tbody").each(function(index,element){
                var $tbody=cheerio.load($(element).html());

                var topic={};
                topic.pageCount=1;
                topic.url=null;
                topic.title=null;

                $tbody(".forumdisplay a").each(function(index,element){
                    var topicUrl='http://www.55188.com/'+$tbody(element).attr("href");
                    var topicTitle=$tbody(element).text();

                    topic.url=topicUrl
                    topic.title=topicTitle;
                })

                $tbody(".threadpages").each(function(index,element){
                    topic.pageCount=$tbody(element).children().last().text();
                })

                if(topic.url!=null && topic.title!=null){
                    topics.push(topic);
                }
            })
        }).on("error", function(err) {
            console.log("findTopicsInPage函数请求后获取响应时出现异常"+err);
        })
    });

    // 超时处理
    req.setTimeout(7500,function(){
        req.abort();
    });

    // 出错处理
    req.on('error',function(err){
        console.log('findTopicsInPage函数请求时发生错误'+err);
    });

    // 请求结束
    req.end();
}

//-------------------------------
// 保存每个帖子到文件,完成一个递归调自己一次
// Nodejs特殊的回调处理使循环递归化
//-------------------------------
function saveTopicDetails(){
    if(finalTopics.length>0){
        var topic=finalTopics.pop();
        var topicUrl=topic.url;
        var topicTitle=topic.title;
        var index=topic.index;

        var request = require('request');
        var req = request(topic.url, {timeout: 10000, pool: false});
        req.setMaxListeners(50);
        req.setHeader('user-agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36');

        req.on('error', function(err) {
            var text=nowTime()+"saveTopicDetail函数请求时出现异常"+err+'\n';
            text+=nowTime()+" url="+topicUrl+'\n';
            text+=nowTime()+" title="+topicTitle+'\n';
            text+=nowTime()+" index="+index+'\n';
            console.log(coloredText(text,'red'));
            ///
            saveTopicDetails();//出错后依旧递归
        });
        req.on('response', function(res) {
            var bufferHelper = new BufferHelper();
            res.on('data', function (chunk) {
                bufferHelper.concat(chunk);
            });
            res.on('end',function(){
                var body = iconv.decode(bufferHelper.toBuffer(),'GBK');
                //console.log(body);

                var $ = cheerio.load(body);
                var infos=[];// 获得的发帖人信息

                // 得到发帖人信息
                $(".postinfo").each(function(index,element){
                    var content=$(element).text();
                    content=content.replace(/\s+/g,' ');// 空白字符替换为一个空格
                    var arr=content.split(" ");// 以空格劈分

                    if(arr.length==7){
                        info={'url':topicUrl,
                              'title':topicTitle,
                              '楼层':arr[1],
                              '作者':arr[2].replace('只看:',''),
                              '日期':arr[4],
                              '时间':arr[5]};
                        infos.push(info);
                        //console.log('info='+info);
                    }else if(arr.length==8){
                        info={'url':topicUrl,
                              'title':topicTitle,
                              '楼层':arr[1],
                              '作者':arr[2].replace('只看:',''),
                              '日期':arr[5],
                              '时间':arr[6]};
                        infos.push(info);
                        //console.log('info='+info);
                    }
                })

                if(infos.length>0){
                    var text=JSON.stringify(infos);

                    filename='./'+folder+'/'+index+'.dat';

                    fs.writeFile(filename,text,function(err){
                        if(err){
                            console.log('写入文件'+filename+'失败,因为'+err);
                        }
                    });

                    if(index % 50==0){
                        console.log(coloredText(nowTime()+'第'+index+'个文件保存完毕','green'));//让控制台出点动静
                    }

                    saveTopicDetails();//一个帖子完成,递归一次
                }
            });
        })
    }
}

//-------------------------------
// 入口函数
// start:起始页,从1开始
// end:终止页,>start
//-------------------------------
function main(start,end){

    var flow=require('nimble');

    flow.series([
        function(callback){
            setTimeout(function(){
                createFolder();
                callback();
            },100);
        },

        function(callback){
            setTimeout(function(){
                findTopics(start,end);
                callback();
            },100);
        },

        function(callback){
            setTimeout(function(){
                var n=topics.length;
                console.log("共找到"+n+"个帖子");

                // 获得每个子贴所在地址,序号和标题
                var index=0;
                var arr=[];
                for(var i=0;i<n;i++){
                    var topic=topics[i];

                    for(var j=1;j<=topic.pageCount;j++){
                        var regexp=new RegExp(/-(\d+)-(\d+)-(\d+)/);
                        var topicUrl=topic.url.replace(regexp,"-$1-"+j+"-$3");// 用正则表达式替换第二个数字

                        index++;

                        var item={'index':index,'url':topicUrl,'title':topic.title};
                        arr.push(item);
                    }
                }                

                finalTopics=arr;// 所有帖子加子贴的最终数组
                finalTopics.reverse();
                console.log('拟生成文件'+finalTopics.length+'个');

                saveTopicDetails();

                callback();
            },3000);
        },
    ]);
}

//--------------------------------------
// 通用函数,返回当前日期时间 创建目录用
//--------------------------------------
function currDateTime() {
    var date = new Date();
    var seperator1 = "-";
    var seperator2 = "_";
    var month = date.getMonth() + 1;
    var strDate = date.getDate();
    if (month >= 1 && month <= 9) {
        month = "0" + month;
    }
    if (strDate >= 0 && strDate <= 9) {
        strDate = "0" + strDate;
    }
    var currentdate =date.getFullYear() + seperator1 + month + seperator1 + strDate
            + " " + date.getHours() + seperator2 + date.getMinutes()
            + seperator2 + date.getSeconds();
    return currentdate;
}

//--------------------------------------
// 通用函数,返回当前日期时间 控制台输出时间用
//--------------------------------------
function nowTime() {
    var date = new Date();
    var seperator1 = "-";
    var seperator2 = ":";
    var month = date.getMonth() + 1;
    var strDate = date.getDate();
    if (month >= 1 && month <= 9) {
        month = "0" + month;
    }
    if (strDate >= 0 && strDate <= 9) {
        strDate = "0" + strDate;
    }
    var currentdate =date.getFullYear() + seperator1 + month + seperator1 + strDate
            + " " + date.getHours() + seperator2 + date.getMinutes()
            + seperator2 + date.getSeconds()+ " ";
    return currentdate;
}

//-------------------------------
// 得到带颜色(前景色)的文字,用于在控制台输出
// text:文字,color:前景色
//-------------------------------
function coloredText(text,color){
    var dic = new Array();

    dic["white"] = ['\x1B[37m', '\x1B[39m'];
    dic["grey"] = ['\x1B[90m', '\x1B[39m'];
    dic["black"] = ['\x1B[30m', '\x1B[39m'];
    dic["blue"] = ['\x1B[34m', '\x1B[39m'];
    dic["cyan"] = ['\x1B[36m', '\x1B[39m'];
    dic["green"] = ['\x1B[32m', '\x1B[39m'];
    dic["magenta"] = ['\x1B[35m', '\x1B[39m'];
    dic["red"] = ['\x1B[31m', '\x1B[39m'];
    dic["yellow"] = ['\x1B[33m', '\x1B[39m'];

    return dic[color][0]+text+dic[color][1];
}

// 开始
main(1,2);

控制台的输出:

C:\Users\horn1\Desktop\node.js\62-理想论坛爬虫1.07>node lixiang.js
准备创建目录
目录infos(2018-04-28 9_24_35)已创建
准备从以下页面寻找主贴
page=http://www.55188.com/forum-8-1.html
page=http://www.55188.com/forum-8-2.html
共找到140个帖子
拟生成文件11295个
2018-04-28 9:25:28 第50个文件保存完毕
2018-04-28 9:26:12 第100个文件保存完毕
2018-04-28 9:26:54 第150个文件保存完毕
2018-04-28 9:27:46 第200个文件保存完毕
2018-04-28 9:28:39 第250个文件保存完毕
2018-04-28 9:28:54 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ETIMEDOUT
2018-04-28 9:28:54  url=http://www.55188.com/thread-3980834-256-2.html
2018-04-28 9:28:54  title= 晓哥的投资生涯:超长线实盘贴
2018-04-28 9:28:54  index=256

2018-04-28 9:28:55 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: getaddrinfo ENOTFOUND www.55188.com www.55188.com:80
2018-04-28 9:28:55  url=http://www.55188.com/thread-3980834-257-2.html
2018-04-28 9:28:55  title= 晓哥的投资生涯:超长线实盘贴
2018-04-28 9:28:55  index=257

2018-04-28 9:29:40 第300个文件保存完毕
2018-04-28 9:30:40 第350个文件保存完毕
2018-04-28 9:31:37 第400个文件保存完毕
2018-04-28 9:32:47 第450个文件保存完毕
2018-04-28 9:33:44 第500个文件保存完毕
2018-04-28 9:34:55 第550个文件保存完毕
2018-04-28 9:35:54 第600个文件保存完毕
2018-04-28 9:36:47 第650个文件保存完毕
2018-04-28 9:37:39 第700个文件保存完毕
2018-04-28 9:38:32 第750个文件保存完毕
2018-04-28 9:39:25 第800个文件保存完毕
2018-04-28 9:40:23 第850个文件保存完毕
2018-04-28 9:41:24 第900个文件保存完毕
2018-04-28 9:42:22 第950个文件保存完毕
2018-04-28 9:43:23 第1000个文件保存完毕
2018-04-28 9:44:22 第1050个文件保存完毕
2018-04-28 9:45:16 第1100个文件保存完毕
2018-04-28 9:46:13 第1150个文件保存完毕
2018-04-28 9:47:13 第1200个文件保存完毕
2018-04-28 9:48:6 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ETIMEDOUT
2018-04-28 9:48:6  url=http://www.55188.com/thread-8158615-241-2.html
2018-04-28 9:48:6  title= 未来牛市会以什么方式运行?
2018-04-28 9:48:6  index=1242

2018-04-28 9:48:7 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: getaddrinfo ENOTFOUND www.55188.com www.55188.com:80
2018-04-28 9:48:7  url=http://www.55188.com/thread-8158615-242-2.html
2018-04-28 9:48:7  title= 未来牛市会以什么方式运行?
2018-04-28 9:48:7  index=1243

2018-04-28 9:48:13 第1250个文件保存完毕
2018-04-28 9:49:6 第1300个文件保存完毕
2018-04-28 9:49:56 第1350个文件保存完毕
2018-04-28 9:50:46 第1400个文件保存完毕
2018-04-28 9:51:34 第1450个文件保存完毕
2018-04-28 9:52:19 第1500个文件保存完毕
2018-04-28 9:53:6 第1550个文件保存完毕
2018-04-28 9:53:50 第1600个文件保存完毕
2018-04-28 9:54:36 第1650个文件保存完毕
2018-04-28 9:55:33 第1700个文件保存完毕
2018-04-28 9:56:40 第1750个文件保存完毕
2018-04-28 9:57:48 第1800个文件保存完毕
2018-04-28 9:58:48 第1850个文件保存完毕
2018-04-28 9:59:49 第1900个文件保存完毕
2018-04-28 10:0:38 第1950个文件保存完毕
2018-04-28 10:1:24 第2000个文件保存完毕
2018-04-28 10:2:12 第2050个文件保存完毕
2018-04-28 10:2:26 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ETIMEDOUT
2018-04-28 10:2:26  url=http://www.55188.com/thread-7507861-278-2.html
2018-04-28 10:2:26  title= 主力的心思你别猜——一个老手的经验分享
2018-04-28 10:2:26  index=2055

2018-04-28 10:2:27 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: getaddrinfo ENOTFOUND www.55188.com www.55188.com:80
2018-04-28 10:2:27  url=http://www.55188.com/thread-7507861-279-2.html
2018-04-28 10:2:27  title= 主力的心思你别猜——一个老手的经验分享
2018-04-28 10:2:27  index=2056

2018-04-28 10:3:11 第2100个文件保存完毕
2018-04-28 10:3:59 第2150个文件保存完毕
2018-04-28 10:4:41 第2200个文件保存完毕
2018-04-28 10:5:27 第2250个文件保存完毕
2018-04-28 10:6:16 第2300个文件保存完毕
2018-04-28 10:7:8 第2350个文件保存完毕
2018-04-28 10:8:5 第2400个文件保存完毕
2018-04-28 10:9:6 第2450个文件保存完毕
2018-04-28 10:9:58 第2500个文件保存完毕
2018-04-28 10:10:51 第2550个文件保存完毕
2018-04-28 10:11:43 第2600个文件保存完毕
2018-04-28 10:12:40 第2650个文件保存完毕
2018-04-28 10:13:32 第2700个文件保存完毕
2018-04-28 10:14:24 第2750个文件保存完毕
2018-04-28 10:15:21 第2800个文件保存完毕
2018-04-28 10:16:10 第2850个文件保存完毕
2018-04-28 10:17:6 第2900个文件保存完毕
2018-04-28 10:17:52 第2950个文件保存完毕
2018-04-28 10:18:45 第3000个文件保存完毕
2018-04-28 10:19:40 第3050个文件保存完毕
2018-04-28 10:20:31 第3100个文件保存完毕
2018-04-28 10:21:26 第3150个文件保存完毕
2018-04-28 10:22:13 第3200个文件保存完毕
2018-04-28 10:23:4 第3250个文件保存完毕
2018-04-28 10:23:53 第3300个文件保存完毕
2018-04-28 10:24:48 第3350个文件保存完毕
2018-04-28 10:25:56 第3400个文件保存完毕
2018-04-28 10:26:50 第3450个文件保存完毕
2018-04-28 10:27:47 第3500个文件保存完毕
2018-04-28 10:28:42 第3550个文件保存完毕
2018-04-28 10:29:54 第3600个文件保存完毕
2018-04-28 10:30:46 第3650个文件保存完毕
2018-04-28 10:31:42 第3700个文件保存完毕
2018-04-28 10:32:34 第3750个文件保存完毕
2018-04-28 10:33:21 第3800个文件保存完毕
2018-04-28 10:34:11 第3850个文件保存完毕
2018-04-28 10:34:59 第3900个文件保存完毕
2018-04-28 10:35:51 第3950个文件保存完毕
2018-04-28 10:36:45 第4000个文件保存完毕
2018-04-28 10:37:37 第4050个文件保存完毕
2018-04-28 10:38:37 第4100个文件保存完毕
2018-04-28 10:39:34 第4150个文件保存完毕
2018-04-28 10:40:41 第4200个文件保存完毕
2018-04-28 10:41:38 第4250个文件保存完毕
2018-04-28 10:42:45 第4300个文件保存完毕
2018-04-28 10:43:38 第4350个文件保存完毕
2018-04-28 10:44:38 第4400个文件保存完毕
2018-04-28 10:45:37 第4450个文件保存完毕
2018-04-28 10:46:35 第4500个文件保存完毕
2018-04-28 10:47:18 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ETIMEDOUT
2018-04-28 10:47:18  url=http://www.55188.com/thread-8107404-72-2.html
2018-04-28 10:47:18  title= 操盘秘籍--抓涨停公式与方法+短线买卖选股/附图公式【通达信版】
2018-04-28 10:47:18  index=4529

2018-04-28 10:47:19 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: getaddrinfo ENOTFOUND www.55188.com www.55188.com:80
2018-04-28 10:47:19  url=http://www.55188.com/thread-8107404-73-2.html
2018-04-28 10:47:19  title= 操盘秘籍--抓涨停公式与方法+短线买卖选股/附图公式【通达信版】
2018-04-28 10:47:19  index=4530

2018-04-28 10:47:39 第4550个文件保存完毕
2018-04-28 10:48:29 第4600个文件保存完毕
2018-04-28 10:49:25 第4650个文件保存完毕
2018-04-28 10:50:13 第4700个文件保存完毕
2018-04-28 10:51:1 第4750个文件保存完毕
2018-04-28 10:51:59 第4800个文件保存完毕
2018-04-28 10:52:52 第4850个文件保存完毕
2018-04-28 10:53:37 第4900个文件保存完毕
2018-04-28 10:54:32 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ETIMEDOUT
2018-04-28 10:54:32  url=http://www.55188.com/thread-7868629-31-2.html
2018-04-28 10:54:32  title= 在实战中学习
2018-04-28 10:54:32  index=4939

2018-04-28 10:54:33 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: getaddrinfo ENOTFOUND www.55188.com www.55188.com:80
2018-04-28 10:54:33  url=http://www.55188.com/thread-7868629-32-2.html
2018-04-28 10:54:33  title= 在实战中学习
2018-04-28 10:54:33  index=4940

2018-04-28 10:54:49 第4950个文件保存完毕
2018-04-28 10:55:48 第5000个文件保存完毕
2018-04-28 10:56:46 第5050个文件保存完毕
2018-04-28 10:57:50 第5100个文件保存完毕
2018-04-28 10:59:7 第5150个文件保存完毕
2018-04-28 11:0:29 第5200个文件保存完毕
2018-04-28 11:2:2 第5250个文件保存完毕
2018-04-28 11:3:29 第5300个文件保存完毕
2018-04-28 11:5:26 第5350个文件保存完毕
2018-04-28 11:6:27 第5400个文件保存完毕
2018-04-28 11:7:30 第5450个文件保存完毕
2018-04-28 11:8:31 第5500个文件保存完毕
2018-04-28 11:9:36 第5550个文件保存完毕
2018-04-28 11:10:36 第5600个文件保存完毕
2018-04-28 11:11:28 第5650个文件保存完毕
2018-04-28 11:12:25 第5700个文件保存完毕
2018-04-28 11:13:16 第5750个文件保存完毕
2018-04-28 11:14:12 第5800个文件保存完毕
2018-04-28 11:15:18 第5850个文件保存完毕
2018-04-28 11:18:9 第5900个文件保存完毕
2018-04-28 11:19:11 第5950个文件保存完毕
2018-04-28 11:20:26 第6000个文件保存完毕
2018-04-28 11:21:43 第6050个文件保存完毕
2018-04-28 11:23:10 第6100个文件保存完毕
2018-04-28 11:24:14 第6150个文件保存完毕
2018-04-28 11:25:14 第6200个文件保存完毕
2018-04-28 11:26:16 第6250个文件保存完毕
2018-04-28 11:27:21 第6300个文件保存完毕
2018-04-28 11:28:19 第6350个文件保存完毕
2018-04-28 11:29:28 第6400个文件保存完毕
2018-04-28 11:30:34 第6450个文件保存完毕
2018-04-28 11:31:30 第6500个文件保存完毕
2018-04-28 11:32:33 第6550个文件保存完毕
2018-04-28 11:33:32 第6600个文件保存完毕
2018-04-28 11:34:35 第6650个文件保存完毕
2018-04-28 11:35:27 第6700个文件保存完毕
2018-04-28 11:36:22 第6750个文件保存完毕
2018-04-28 11:37:19 第6800个文件保存完毕
2018-04-28 11:38:21 第6850个文件保存完毕
2018-04-28 11:39:27 第6900个文件保存完毕
2018-04-28 11:40:34 第6950个文件保存完毕
2018-04-28 11:41:33 第7000个文件保存完毕
2018-04-28 11:42:34 第7050个文件保存完毕
2018-04-28 11:43:26 第7100个文件保存完毕
2018-04-28 11:44:22 第7150个文件保存完毕
2018-04-28 11:45:22 第7200个文件保存完毕
2018-04-28 11:46:23 第7250个文件保存完毕
2018-04-28 11:47:25 第7300个文件保存完毕
2018-04-28 11:48:33 第7350个文件保存完毕
2018-04-28 11:49:30 第7400个文件保存完毕
2018-04-28 11:50:29 第7450个文件保存完毕
2018-04-28 11:51:33 第7500个文件保存完毕
2018-04-28 11:52:45 第7550个文件保存完毕
2018-04-28 11:53:52 第7600个文件保存完毕
2018-04-28 11:54:57 第7650个文件保存完毕
2018-04-28 11:56:2 第7700个文件保存完毕
2018-04-28 11:57:19 第7750个文件保存完毕
2018-04-28 11:58:20 第7800个文件保存完毕
2018-04-28 11:59:13 第7850个文件保存完毕
2018-04-28 12:0:3 第7900个文件保存完毕
2018-04-28 12:0:54 第7950个文件保存完毕
2018-04-28 12:2:1 第8000个文件保存完毕
2018-04-28 12:2:48 第8050个文件保存完毕
2018-04-28 12:3:40 第8100个文件保存完毕
2018-04-28 12:4:30 第8150个文件保存完毕
2018-04-28 12:5:38 第8200个文件保存完毕
2018-04-28 12:6:40 第8250个文件保存完毕
2018-04-28 12:8:3 第8300个文件保存完毕
2018-04-28 12:9:1 第8350个文件保存完毕
2018-04-28 12:9:56 第8400个文件保存完毕
2018-04-28 12:10:44 第8450个文件保存完毕
2018-04-28 12:11:44 第8500个文件保存完毕
2018-04-28 12:12:38 第8550个文件保存完毕
2018-04-28 12:13:28 第8600个文件保存完毕
2018-04-28 12:14:33 第8650个文件保存完毕
2018-04-28 12:15:27 第8700个文件保存完毕
2018-04-28 12:16:24 第8750个文件保存完毕
2018-04-28 12:17:17 第8800个文件保存完毕
2018-04-28 12:18:6 第8850个文件保存完毕
2018-04-28 12:19:1 第8900个文件保存完毕
2018-04-28 12:20:3 第8950个文件保存完毕
2018-04-28 12:21:4 第9000个文件保存完毕
2018-04-28 12:21:57 第9050个文件保存完毕
2018-04-28 12:22:53 第9100个文件保存完毕
2018-04-28 12:23:45 第9150个文件保存完毕
2018-04-28 12:24:37 第9200个文件保存完毕
2018-04-28 12:25:37 第9250个文件保存完毕
2018-04-28 12:26:29 第9300个文件保存完毕
2018-04-28 12:27:22 第9350个文件保存完毕
2018-04-28 12:28:30 第9400个文件保存完毕
2018-04-28 12:29:28 第9450个文件保存完毕
2018-04-28 12:30:15 第9500个文件保存完毕
2018-04-28 12:31:12 第9550个文件保存完毕
2018-04-28 12:32:14 第9600个文件保存完毕
2018-04-28 12:33:9 第9650个文件保存完毕
2018-04-28 12:33:57 第9700个文件保存完毕
2018-04-28 12:34:59 第9750个文件保存完毕
2018-04-28 12:36:2 第9800个文件保存完毕
2018-04-28 12:36:56 第9850个文件保存完毕
2018-04-28 12:38:1 第9900个文件保存完毕
2018-04-28 12:39:1 第9950个文件保存完毕
2018-04-28 12:39:58 第10000个文件保存完毕
2018-04-28 12:40:56 第10050个文件保存完毕
2018-04-28 12:41:51 第10100个文件保存完毕
2018-04-28 12:44:45 第10150个文件保存完毕
2018-04-28 12:45:41 第10200个文件保存完毕
2018-04-28 12:46:38 第10250个文件保存完毕
2018-04-28 12:47:40 第10300个文件保存完毕
2018-04-28 12:48:33 第10350个文件保存完毕
2018-04-28 12:49:36 第10400个文件保存完毕
2018-04-28 12:50:24 第10450个文件保存完毕
2018-04-28 12:51:24 第10500个文件保存完毕
2018-04-28 12:52:19 第10550个文件保存完毕
2018-04-28 12:53:12 第10600个文件保存完毕
2018-04-28 12:54:8 第10650个文件保存完毕
2018-04-28 12:54:59 第10700个文件保存完毕
2018-04-28 12:55:44 第10750个文件保存完毕
2018-04-28 12:56:36 第10800个文件保存完毕
2018-04-28 12:57:36 第10850个文件保存完毕
2018-04-28 12:58:38 第10900个文件保存完毕
2018-04-28 12:59:48 第10950个文件保存完毕
2018-04-28 13:0:50 第11000个文件保存完毕
2018-04-28 13:1:52 第11050个文件保存完毕
2018-04-28 13:2:51 第11100个文件保存完毕
2018-04-28 13:3:30 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ETIMEDOUT
2018-04-28 13:3:30  url=http://www.55188.com/thread-8229004-289-1.html
2018-04-28 13:3:30  title= 淡定小生2018实盘交流贴
2018-04-28 13:3:30  index=11125

2018-04-28 13:4:19 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ESOCKETTIMEDOUT
2018-04-28 13:4:19  url=http://www.55188.com/thread-8229004-312-1.html
2018-04-28 13:4:19  title= 淡定小生2018实盘交流贴
2018-04-28 13:4:19  index=11148

2018-04-28 13:4:23 第11150个文件保存完毕
2018-04-28 13:4:40 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ESOCKETTIMEDOUT
2018-04-28 13:4:40  url=http://www.55188.com/thread-8229004-328-1.html
2018-04-28 13:4:40  title= 淡定小生2018实盘交流贴
2018-04-28 13:4:40  index=11164

2018-04-28 13:4:40 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ESOCKETTIMEDOUT
2018-04-28 13:4:40  url=http://www.55188.com/thread-8229004-327-1.html
2018-04-28 13:4:40  title= 淡定小生2018实盘交流贴
2018-04-28 13:4:40  index=11163

2018-04-28 13:5:5 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ESOCKETTIMEDOUT
2018-04-28 13:5:5  url=http://www.55188.com/thread-8320599-1-1.html
2018-04-28 13:5:5  title= 蔡康侨说A股~~~(2018 Q2) 节后变盘向上、变数在6月
2018-04-28 13:5:5  index=11190

2018-04-28 13:5:17 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ESOCKETTIMEDOUT
2018-04-28 13:5:17  url=http://www.55188.com/thread-8320599-5-1.html
2018-04-28 13:5:17  title= 蔡康侨说A股~~~(2018 Q2) 节后变盘向上、变数在6月
2018-04-28 13:5:17  index=11194

2018-04-28 13:5:19 第11200个文件保存完毕
2018-04-28 13:5:36 第11250个文件保存完毕
2018-04-28 13:5:53 saveTopicDetail函数请求后(on_error)获取响应时出现异常Error: ESOCKETTIMEDOUT
2018-04-28 13:5:53  url=http://www.55188.com/thread-7938789-9-1.html
2018-04-28 13:5:53  title= 结构分析法
2018-04-28 13:5:53  index=11257

C:\Users\horn1\Desktop\node.js\62-理想论坛爬虫1.07>python insertDB.py

将向数据库插入224452条记录
  已向数据库插入224452条记录
  插数据用时83秒

 

插数据库的代码:

# 读取理想论坛爬虫生成的数据,然后写入DB
import pymysql
import time
import datetime
import os
import json

# 数据库插值
def insertDB(sqls):
    conn=pymysql.connect(host=',db='test',charset='utf8')

    sum=0;# 插入成功总数

    for sql in sqls:
        try:
            count=conn.query(sql)    #单条是否成功
        except Exception as e:
            print("sql'"+sql+"'出现异常:"+str(e))
            continue;

        if count==0:
            print(sql+'插入记录失败');    

        sum+=count

    conn.commit()
    conn.close()

    return sum

# 入口函数
def main(folder):
    starttime = datetime.datetime.now()

    allinfos=[]
    for filename in os.listdir(folder):
        filePathname=folder+"/"+filename

        with open(filePathname,'r',encoding='utf-8') as fObj:
            infos=json.load(fObj)
            #print(infos)
            allinfos.extend(infos)

    sqls=[]
    for info in allinfos:
        sql="insert into test.topic16(floor,author,tdate,ttime,addtime,url,title) values ('"
        sql=sql+info['楼层']+"','"
        sql=sql+info['作者'].replace("'","")+"','"
        sql=sql+info['日期']+"','"
        sql=sql+info['时间']+"',"
        sql=sql+"now(),'"
        sql=sql+info['url']+"','"
        sql=sql+info['title'].replace("'","")+"' "
        sql=sql+" )"

        sqls.append(sql)

    print("将向数据库插入"+str(len(sqls))+"条记录")
    retval=insertDB(sqls)
    print("已向数据库插入"+str(retval)+"条记录")

    endtime = datetime.datetime.now()
    print("插数据用时"+str((endtime - starttime).seconds)+"秒")
# 开始
main("./infos(2018-04-28 9_24_35)")

数据库的情况:

【nodejs】理想论坛帖子下载爬虫1.07 使用request模块后稳定多了

【nodejs】理想论坛帖子下载爬虫1.07 使用request模块后稳定多了