phantomjs - PhantomJS 的 Promise 框架？

Question

我是 PhantomJS 的新手。我想加载一个页面，抓取它的链接，然后依次打开每个页面，一次一个，甚至每个请求之间可能会有延迟。我无法让一个接一个地触发，所以我想也许我可以使用 Promise 来解决这个问题，但我认为 Node 库不适用于 Phantom。到目前为止，我看到的每个示例都打开一个页面，然后退出。

这是我所拥有的:

var page = require('webpage').create();

page.open('http://example.com/secretpage', function(status) {
    console.log(status);
    if(status !== 'success') {
        console.log('Unable to access network');
    } else {
        var links = page.evaluate(function() {
            var nodes = [];
            var matches = document.querySelectorAll('.profile > a');
            for(var i = 0; i < matches.length; ++i) {
                nodes.push(matches[i].href);
            }
            return nodes;
        });


        links.forEach(function(link) {
            console.log(link);
            page.open(link, function(status) { // <---- tries opening every page at once
                console.log(status);

                var name = page.evaluate(function() {
                    return document.getElementById('username').innerHTML;
                });

                console.log(name);
                page.render('profiles/'+name + '.png');
            });
        });
    }
//    phantom.exit();
});

有没有办法按顺序打开每个链接？

Answer 1

对于这个典型场景，我使用 async.js尤其是队列 component .

这是一个非常基本的实现

phantom.injectJs('async.js');

var q = async.queue(function (task, callback) {
    page.open(task.url, function(status) { // <---- tries opening every page at once
                if(status !== 'success') {
        console.log('Unable to open url > '+task.url);
    } else {
                console.log('opened '+task.url);
                //do whatever you want here ...
                    page.render(Date.now() + '.png');
                }           
                callback();
            });

}, 1);

// assign a callback
q.drain = function() {
    console.log('all urls have been processed');
    phantom.exit();
}

var page = require('webpage').create();

page.open('http://phantomjs.org/', function(status) {
    console.log(status);
    if(status !== 'success') {
        console.log('Unable to access network');
    } else {
        var links = page.evaluate(function() {
            var nodes = [];
            var matches = document.querySelectorAll('a');
            for(var i = 0; i < matches.length; ++i) {
                nodes.push(matches[i].href);
            }
            return nodes;
        });

        links.forEach(function(link) {
                q.push({url: link}, function (err) {
                    console.log('finished processing '+link);
                });
        });
    }   
});

Url 被添加到队列中，并将被并行处理(达到并发限制，此处为一个)。我重用了相同的页面实例，但这不是强制性的。

由于我过去已经做过这种爬虫，让我再给你两个建议:

不加载图片加速测试

href 有时是相对的，所以首先检查它是否是一个有效的 url