我不是作为but服务器运行nodejs,而是从命令行运行经过大量修改的example.js版本,该版本附带了幻影集群包。服务器是AWS实例中的Ubuntu13.10。
我的目标是"ping“超过64000个urls来测试404或500个http错误。如果存在错误,则将该url与该错误一起记录以供以后处理。
这是我的代码:
(function() {
var WEBSITES, cluster, enqueueRequests, main, phantomCluster;
var fs = require('fs');
phantomCluster = require("./index");
cluster = require("cluster");
WEBS = [];
function loadUrls(callback)
{
console.log("starting loaded");
var fs = require('fs');
var urls = [];
fs.readFile("/home/ubuntu/phantom-cluster/theurls.txt", 'utf8', function (err, data)
{
if (err) throw err;
var myArray = data.split("\n");
for(i=0;i<myArray.length;i++)
{
urls.push(myArray[i]);
}
callback(null,urls);
})
}
enqueueRequests = function(engine)
{
fulfilled = 0;
loadUrls(function(err,WEBS)
{
console.log(">>" + WEBS.length + " urls to process");
var enqueuer, i, key, _i, _results;
enqueuer = function(request)
{
var item;
item = engine.enqueue(request);
item.on("timeout", function()
{
fs.appendFile("/home/ubuntu/error_log.log", "TIMEOUT: " + request + "\r\n", function (err) {});
});
return item.on("response", function()
{
fulfilled++;
console.log(fulfilled);
});
};
_results = [];
for (i = i = 0;i < 1; i++)
{
_results.push((function()
{
var _results1;
_results1 = [];
for(x=0;x<WEBS.length;x++)
{
_results1.push(enqueuer(WEBS[x]));
}
return _results1;
})());
}
return _results;
});
};
main = function()
{
var engine;
engine = phantomCluster.createQueued(
{
workers: 20,
workerIterations: 1,
phantomBasePort: 54321
});
if (cluster.isMaster)
{
enqueueRequests(engine);
}
engine.on("queueItemReady", function(url)
{
var _this = this;
var retVal;
urlArray = url.split("|");
var phantom = this.ph;
var curPage = phantom.createPage(function(page)
{
page.set('settings.loadImages', false);
page.set('settings.javascriptEnabled', false);
page.set('settings.resourceTimeout', 5000);
page.set('settings.userAgent','Mozilla/5.001 (windows; U; NT4.0; en-US; rv:1.0) Gecko/25250101');
page.set('onError', function(msg, trace)
{
var msgStack = ['ERROR: ' + msg];
if (trace && trace.length)
{
msgStack.push('TRACE:');
trace.forEach(function(t)
{
msgStack.push(' -> ' + t.file + ': ' + t.line + (t.function ? ' (in function "' + t.function +'")' : ''));
});
}
console.error(msgStack.join('\n'));
});
page.set('onResourceReceived', function(response)
{
if((response.status == "404") || (response.status == "500"))
{
myUrl = decodeURI(response.url);
if(myUrl == urlArray[0])
{
retVal = response.status + "|" + url;
fs.appendFile("/home/ubuntu/error_log.log", response.status + "|" + url + "\r\n", function (err) {});
return retVal;
}
}
});
page.open(urlArray[0], function(status)
{
_this.next(); // _this is a PhantomQueuedClusterClient object
return _this.queueItemResponse(status);
});
});
});
return engine.start();
};
main();
}).call(this);引用为index.js的文件在这里:https://github.com/dailymuse/phantom-cluster/blob/master/index.js和我根本没有修改它。
这很好,并触发了20个工作进程,这些进程将为排队的urls获取初始响应代码。
问题是:在处理了960-990个urls之后,整个过程就停止了。没有错误代码,什么都没有。
我已经尝试了我能想到的一切,从某种节点超时,到一个给定的url问题,再到把我的头撞到我的桌子上。当我为它创建一个测试时,前两个将返回一个错误。第三个让我头疼。
有人有任何帮助或工作经验吗?
编辑I对代码进行了更新,并添加了on.response回调,然后调用nextTick方法将项从队列中删除。仍然有同样的问题。
发布于 2014-04-18 15:49:23
你看过链式履带机了吗?它使用幻影群集和预存器来完成你想要的几乎完全正确的工作。
发布于 2015-07-09 01:03:29
如果您所要做的只是检查HTTP状态代码,则不需要使用无头浏览器。节点可以自己使用http.request()或使用诸如请求-承诺之类的承诺来完成这一任务。
除非您需要在正在爬行的页面的呈现中验证某些内容,否则不需要在浏览器中呈现页面,只需对URL进行HTTP调用并反省它们的状态。
https://stackoverflow.com/questions/23142336
复制相似问题