发布于 2018-05-08 09:01:52
只抓取网站的HTML页面通常是一个非常轻量级的过程。还需要下载HTML主体的响应体,以便能够爬行站点,因为HTML会被搜索到其他URL。
simplecrawler是可配置的,这样您就可以避免从网站下载图像等。这里有一个片段,您可以使用它来记录爬虫访问的URL并避免下载图像资源。
var Crawler = require("simplecrawler");
var moment = require("moment");
var cheerio = require("cheerio");
var crawler = new Crawler("http://example.com");
function log() {
var time = moment().format("HH:mm:ss");
var args = Array.from(arguments);
args.unshift(time);
console.log.apply(console, args);
}
crawler.downloadUnsupported = false;
crawler.decodeResponses = true;
crawler.addFetchCondition(function(queueItem) {
return !queueItem.path.match(/\.(zip|jpe?g|png|mp4|gif)$/i);
});
crawler.on("crawlstart", function() {
log("crawlstart");
});
crawler.on("fetchcomplete", function(queueItem, responseBuffer) {
log("fetchcomplete", queueItem.url);
});
crawler.on("fetch404", function(queueItem, response) {
log("fetch404", queueItem.url, response.statusCode);
});
crawler.on("fetcherror", function(queueItem, response) {
log("fetcherror", queueItem.url, response.statusCode);
});
crawler.on("complete", function() {
log("complete");
});
crawler.start();
https://stackoverflow.com/questions/50218402
复制相似问题