node.js - 关于Node爬虫爬小说的问题

Question

最近因为没小说看，也无聊，就想着用Node来写爬虫爬书下来，弄了好几天有些问题。
爬小说异步的话章节不是顺序排列的，所以用了sync-request进行同步操作，我爬的是笔趣阁这个网站上的书，现在由于刚学，只是做了爬单本书的。我发现在爬取的时候，会假死掉，停在那不动了，而且每次的章节数不同，我就加了个十秒的timeout超时，但是还是会出现这种假死的情况。后来百度了下，说网站是有防止爬虫的东东的，具体我也不太清楚==，我就想，那我就加个间隔咯，我让他每请求十次就休息20秒钟，再重新爬。结果！！！还是会假死，233333。所以现在有点不明白为啥了，想求教一下，给点思路。拜托各位~~

下面是我请求的代码，具体章节列表我在另一个js里面爬出来写在json里面了，这边是直接请求每个链接的了:

var http = require('http')
var fs = require('fs')
var cheerio = require('cheerio')
var iconv = require('iconv-lite')
var request = require('sync-request')
var urlList = JSON.parse(fs.readFileSync('list.json', 'utf-8'))
var header = JSON.parse(fs.readFileSync('header.json'), 'utf-8')

//爬取每章节正文并存在txt中
function getContent(list,title) {
  //用try catch进行错误捕获，防止报错跳出
  try{
    var res = request('GET',list.link,{
      'timeout': 10000,
      'retry': true,
      'retryDelay': 10000
    })
    var html = iconv.decode(res.body, 'utf8')
    var $ = cheerio.load(html,{
      decodeEntities: false
    })
    var ContentTitle = $('.bookname h1').text()
    var ContentText = $('#content').text().trim().replace('readx();', '').replace(/\ /g, '')
    fs.appendFileSync(title+".txt", ContentTitle)
    fs.appendFileSync(title+".txt", ContentText)
    console.log("爬取" + list.link + "成功")
  }catch(err) {
    console.log("爬取" + list.link + "出错")
  }
}

//为了达到间隔的调用请求做了递归调用
function getUrl(index) {
  for (let i = index;i < urlList.length;i++){
    if (i>0 && i%10 == 0){
      getContent(urlList[i],header.title)
      console.log("休息一下")
      setTimeout(() => {
        i++
        getUrl(i)
      },20000)
      return
    }else {
      console.log(i)
      getContent(urlList[i],header.title)
    }
  }
}

getUrl(0)

就和这个一样，爬了一段时间就这样了，就跟死机了似得，后面不管等多久都没动静，设置的超时啥的也没有反应

Answer 1

这两天一直在弄这个问题，起初是以为是sync-request的问题，后来换了别的还是一样。我就猜可能是ip网站给屏蔽了还是什么的，后来中午吃饭和同事闲聊，顺便就请教了下，他们也就是说大概就这个问题。既然如此，我就去弄了些免费的代理IP，然后在请求的时候，只要是请求超时或者报错就立马切换一个IP地址去请求。这样下来，昨天特地爬了一个很大的小说，今天上班过来一看，全部爬下来了，没有出现问题，哈哈。不过免费的代理IP很多都用不了，所以在这上面浪费了部分时间。现在要开始看看怎么爬多本书了，↖(^ω^)↗