标签：
引用（爬虫）不给稿费的，切你jj
在上一篇post（http://www.cnblogs.com/zeusro/p/4185196.html）里面，我留下了3个坑没有填平。
2模块化
加载到nodejs里面，用于批量采集。
方法：把变动的参数做成
3淘宝的反采集
4数据的持久化
其实呢，还有一个，就是中文编码的问题，
那么今天把其中2个解决了。持久化给个思路，反采集就算了，哥已经宣布弃坑了。
var system = require(‘system‘); var url = system.args[1]; var filename = system.args[2];
第一个参数是我们运行的js，第二个参数开始才是我们真正用得到的。
phantomjs phantomcapture.js http://shop115235781.m.taobao.com/#list av
这样就简单完成了模块化。
那么在node那边，我们要做到的就是，要引用并运行这个模块。这里我用了node的child_process，每一个url开启一个子进程。
这个才是我宣布弃坑的原因。我在每次调用waitfor超时之后都有去截屏处理的。而我开那么多个子进程捕获到的结果就是，要登录淘宝，还得输入验证码。。。要输入验证码，呵呵....
楼主用SqlServer惯的。
node.js确实有连SqlServer的驱动(https://github.com/Azure/node-sqlserver)，问题是那玩意我连接失败了。那个项目2年前最后一次提交代码。作者自己也说了，说是去放假了解决不了一些issue，其实看起来更像是弃坑的节奏。
那么我只能建议连芒果DB或者nosql了。
这个有人在私信里面问我。这个我其实一早就预料到了，因为之前在找资料的时候就有提到js的编码问题，这个是固有缺陷。解决这个问题，引入iconv-lite就行了。
这里，我使用了这玩意扩展了node的编码
// After this call all Node basic primitives will understand iconv-lite encodings. iconv.extendNodeEncodings();
然后在进程通信那里
var buf = new Buffer(data, ‘win1251‘);
buf.write(data, ‘gbk‘);
console.log(buf.toString(‘gbk‘));
这样就行了
主进程node的代码如下
var colors = require(‘colors‘)
, jsdom = require(‘jsdom‘).jsdom
, async = require(‘async‘)
, http = require(‘http‘)
, fs = require(‘fs‘)
, jquery = fs.readFileSync("jquery-1.10.2.min.js", "utf-8")
, iconv = require(‘../node_modules/iconv-lite‘)
, phantom = require(‘phantomjs‘);
// After this call all Node basic primitives will understand iconv-lite encodings.
iconv.extendNodeEncodings();
var count = 0;
console.log(‘主进程开启‘);
var startTime = new Date().getTime();
var urls = new Array(
"http://shop100338207.m.taobao.com/#list",
"http://shop68291879.m.taobao.com/#list",
"http://shop115235781.m.taobao.com/#list",
"http://shop10199638.m.taobao.com/#list",
"http://shop67272667.m.taobao.com/#list",
"http://shop109683760.m.taobao.com/#list",
"http://shop33495993.m.taobao.com/#list",
"http://shop58501945.m.taobao.com/#list",
"http://shop62907168.m.taobao.com/#list",
"http://shop59495864.m.taobao.com/#list",
"http://shop60374631.m.taobao.com/#list"
);
for (var i = 0; i < urls.length; i++) {
console.log(("采集地址：" + urls[i]).red);
capture(urls[i]);
}
function capture(url) {
count++;
var spawn = require(‘child_process‘).spawn,
ls = spawn(‘phantomjs‘, [‘phantomcapture.js‘, url, count]);
ls.stdout.on(‘data‘, function (data) {
var buf = new Buffer(data, ‘win1251‘);
buf.write(data, ‘gbk‘);
console.log(buf.toString(‘gbk‘));
});
ls.stderr.on(‘data‘, function (data) {
//console.log(‘stderr: ‘ + data);
});
ls.on(‘close‘, function (code) {
if (code == 1) {
console.log(‘child process异常结束。目标：‘ + url);
}
});
}
最后啰嗦一下，如果出现啥不是内部或外部命令之类的，那肯定是你打开方式不对，没有弄系统环境变量。
引用（爬虫）不给稿费的，切你jj
参考链接
Node.js中的child_process及進程通信
iconv-lite
child_process.spawn 乱码?
https://cnodejs.org/topic/502f0b07f767cc9a517baf87
从写 node.js 爬虫说起
http://undefinedblog.com/talking-about-nodejs-crawler/
Nodejs写一个简单爬虫
http://scottqian.com/2014/03/03/nodejs-crawler-start/
标签：
原文地址：http://www.cnblogs.com/zeusro/p/4188229.html
