快捷導(dǎo)航

NodeJS的url截取模塊url-extract的使用實(shí)例

更新時間：2013年11月18日 09:10:43 作者：

本文主要介紹了NodeJS的url信息截取模塊url-extract的使用方法，最后提供了實(shí)例代碼供大家參考

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

設(shè)計(jì)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(xù)操作。如果版本過低，或者出現(xiàn)錯誤，請到PhantomJS官網(wǎng)下載最新版本。

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

進(jìn)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(fù)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(); }); })(); 

下面是打印：

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(shù)據(jù)，例如：

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

.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(shù)組

callback {Function} 回調(diào)函數(shù)

option {Object} 可選參數(shù)

┝ id {String} 自定義url的id，如果第一個參數(shù)是urls，此參數(shù)無效

┝ image {String} 自定義截圖的保存地址，如果第一個參數(shù)是urls，此參數(shù)無效

┝ groupId {String} 定義一組url的groupId，用于返回時候辨認(rèn)是哪一組url

┝ ignoreCache {Boolean} 是否忽略緩存

┗ callback {Function} 回調(diào)函數(shù)

Job（類）

每一個url對應(yīng)一個job對象，url的相關(guān)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(diào)函數(shù)image {String} 圖片地址status {Boolean} job當(dāng)前是否正常

Prototype

getData() 獲取job的相關(guān)數(shù)據(jù)

全局配置
url-extract根目錄中的config文件可以進(jìn)行全局配置，默認(rèn)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(fā)worker數(shù)maxQueueJob {Number} 最大等待工作數(shù)量，0表示不限制，超過該數(shù)量，任何工作都直接返回失?。磗tatus = false）cache {String} 緩存實(shí)現(xiàn)，目前只有object實(shí)現(xiàn)maxCache {Number} 最大緩存鏈接數(shù)workerNum {Number} PhantomJS線程數(shù)，0表示和CPU數(shù)量相同

一個簡單的服務(wù)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(wǎng)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。

;