Toc
  1. Puppeteer连接池
Toc
0 results found
Ihuzb
W4J音乐热评一Puppeteer爬虫并发和连接池(2)
  • 上一节我们完成了并发数的控制,这一节完成连接池。
  • 因为单纯只用并发数来控制的话,每次爬取新的页面都会开启新的浏览器,使用完毕后关闭,会造成很大的资源开销。
  • 使用连接池,一次性创建指定个数的浏览器实例,随用随取,减少资源开销。

Puppeteer连接池

  • 使用generic-pool,这是一个基于Promise的通用链接池库。
  • 有了他之后我们就可以 将Puppeteer实例放在我们的链接池中,首先启动指定数量的浏览器实例,如果有请求进来,那么就去池子里面去取一个实例。
  • 更多详细信息可点击这里generic-pool
# 安装generic-pool
npm i generic-pool --save

# 安装完成
+ generic-pool@3.7.1
//genericPool.js
const puppeteer = require('puppeteer')
const genericPool = require('generic-pool')
/**
* 初始化一个 Puppeteer 池
* @param {Object} [options={}] 创建池的配置配置
* @param {Number} [options.max=10] 最多产生多少个 puppeteer 实例 。如果你设置它,请确保 在引用关闭时调用清理池。 pool.drain().then(()=>pool.clear())
* @param {Number} [options.min=1] 保证池中最少有多少个实例存活
* @param {Number} [options.maxUses=2048] 每一个 实例 最大可重用次数,超过后将重启实例。0表示不检验
* @param {Number} [options.testOnBorrow=2048] 在将 实例 提供给用户之前,池应该验证这些实例。
* @param {Boolean} [options.autostart=false] 是不是需要在 池 初始化时 初始化 实例
* @param {Number} [options.idleTimeoutMillis=3600000] 如果一个实例 60分钟 都没访问就关掉他
* @param {Number} [options.evictionRunIntervalMillis=180000] 每 3分钟 检查一次 实例的访问状态
* @param {Object} [options.puppeteerArgs={}] puppeteer.launch 启动的参数
* @param {Function} [options.validator=(instance)=>Promise.resolve(true))] 用户自定义校验 参数是 取到的一个实例
* @param {Object} [options.otherConfig={}] 剩余的其他参数 // For all opts, see opts at https://github.com/coopernurse/node-pool#createpool
* @return {Object} pool
*/
const initPuppeteerPool = (options = {}) => {
const {
max = 10,
min = 3,//建议连接池最小(min)实例数,应与并发数一致
maxUses = 2048,
testOnBorrow = true,
autostart = false,
idleTimeoutMillis = 3600000,
evictionRunIntervalMillis = 180000,
puppeteerArgs = {},
validator = () => Promise.resolve(true),
...otherConfig
} = options

const factory = {
create: () =>
puppeteer.launch(puppeteerArgs).then(instance => {
// 创建一个 puppeteer 实例 ,并且初始化使用次数为 0
instance.useCount = 0
return instance
}),
destroy: instance => {
instance.close()
},
validate: instance => {
// 执行一次自定义校验,并且校验校验 实例已使用次数。 当 返回 reject 时 表示实例不可用
return validator(instance).then(valid => Promise.resolve(valid && (maxUses <= 0 || instance.useCount < maxUses)))
}
}
const config = {
max,
min,
testOnBorrow,
autostart,
idleTimeoutMillis,
evictionRunIntervalMillis,
...otherConfig
}
const pool = genericPool.createPool(factory, config)
const genericAcquire = pool.acquire.bind(pool)
// 重写了原有池的消费实例的方法。添加一个实例使用次数的增加
pool.acquire = () =>
genericAcquire().then(instance => {
instance.useCount += 1
return instance
})
pool.use = fn => {
let resource
return pool
.acquire()
.then(r => {
resource = r
return resource
})
.then(fn)
.then(
result => {
// 不管业务方使用实例成功与后都表示一下实例消费完成
pool.release(resource)
return result
},
err => {
pool.release(resource)
throw err
}
)
}
return pool
}
module.exports = initPuppeteerPool
  • 整体流程如下:
    • 在服务启动时启动池。
    • 请求到达 => 从池中取得一个Puppeteer实例 => 打开tab页 => 运行代码 => 关闭tab页 => 返回数据(其他的管理都交给池了)
  • 那么我们之前的代码也要稍加修改.
//index.js
const puppeteer = require('puppeteer');
const mapLimit = require('async/mapLimit');
const initPuppeteerPool = require('./genericPool');
//准备的音乐id数组
let musicId = [1407551413, 1303289043, 1417862046];
// 全局只应该被初始化一次
const pool = initPuppeteerPool({
puppeteerArgs: {
timeout: 15000,
ignoreHTTPSErrors: true,
devtools: true,
headless: true,
args: [
'-–disable-dev-shm-usage',
'-–disable-setuid-sandbox',
'-–no-first-run',
'--no-sandbox',
'-–no-zygote',
'-–single-process'
]
}
})
//并发次数为3,建议连接池最小(min)实例数,应与并发数一致
mapLimit(musicId, 3, (item, callback) => {
(async () => {
//并发执行爬取代码,返回结果
let info = await selectInfo(item);
callback(null, info);
})();
}, (err, results) => {
//三首音乐爬取完成再返回结果
console.log(results);
});
//定义函数,内部返回Promise
async function selectInfo(id) {
return new Promise(async (resolve, reject) => {
// 在业务中取出实例使用
const page = await pool.use(async browser => {
const page = await browser.newPage();
//同样的域名不同id
await page.goto(`https://music.163.com/#/song?id=${id}`);
return page
})
const iframe = await page.frames().find(f => f.name() === 'contentFrame');
const musicComment = await iframe.$('.cmmts.j-flag');
let commentList = await iframe.evaluate((e) => {
let comment = Array.from(e.getElementsByClassName('cnt f-brk'));
//只获取前五条
return comment.map((item) => item.innerText).filter((item, index) => index <= 5);
}, musicComment);
//关闭标签页!!!!!
await page.close();
//返回当前音乐爬取的数据
resolve(commentList);
})
}
  • 这次时关闭标签页而不是关闭浏览器.
  • 最终的效果,谁用谁知道,运行速度有很大的提升.
  • 至此,一个比较完整的并发和连接池的爬虫就完成了,下一步该解决IP的问题.
本文作者:Ihuzb
版权声明:本文首发于Ihuzb的博客,转载请注明出处!