spider_creater/backend/vm/check.go

package vm

import (
	"container/list"
	"fmt"
	qu "jygit.jydev.jianyu360.cn/data_processing/common_utils"
	be "spider_creator/backend"
	"time"

	"github.com/chromedp/chromedp"
)

// VerifySpiderConfig 验证爬虫配置，支持翻页，列表项数据只提取2条
//func (vm *VM) VerifySpiderConfig(sc *be.SpiderConfig) (*be.SpiderConfigVerifyResult, error) {
//	qu.Debug("sc---", *sc)
//	verifyResult := list.New()
//	ret := &be.SpiderConfigVerifyResult{true, true, true, true, true, true, true}
//	_, baseCancelFn, _, _, ctx, incCancelFn := be.NewBrowser(false, false, "")    //列表页使用
//	_, baseCancelFn2, _, _, ctx2, incCancelFn2 := be.NewBrowser(false, false, "") //详情页使用
//	defer func() {
//		incCancelFn2()
//		baseCancelFn2()
//		incCancelFn()
//		baseCancelFn()
//	}()
//
//	listRunJs, contentRunJs := sc.ListJSCode, sc.ContentJSCode
//	//TODO 2. 执行JS代码，获取列表页信息
//	if listRunJs == "" {
//		listRunJs = renderJavascriptCoder(loadListItemsJS, sc)
//	}
//	if contentRunJs == "" {
//		contentRunJs = renderJavascriptCoder(loadContentJS, sc)
//	}
//	qu.Debug("列表页JS:", listRunJs)
//	qu.Debug("详情页JS:", contentRunJs)
//	//TODO 3.打开列表，获取条目清单
//	chromedp.Run(ctx, chromedp.Tasks{
//		chromedp.Navigate(sc.Href),
//		chromedp.WaitReady("document.body", chromedp.ByJSPath),
//		//chromedp.Sleep(1000 * time.Millisecond),
//		chromedp.Sleep(time.Duration(sc.ListDelayTime) * time.Millisecond),
//	})
//	no := 1
//T:
//	for j := 0; j < 2; j++ { //最多检查2页
//		qu.Debug("开始检查第" + fmt.Sprint(j+1) + "页...")
//		listResult := make(be.ResultItems, 0)
//		err := chromedp.Run(ctx, chromedp.Tasks{
//			chromedp.Evaluate(listRunJs, &listResult),
//		})
//		if err != nil {
//			qu.Debug("执行列表页JS代码失败", err.Error())
//			continue
//		}
//		//TODO 5.操作详情页
//		qu.Debug("列表采集条数：", len(listResult))
//		for contentIndex, r := range listResult {
//			qu.Debug("当前列表页第" + fmt.Sprint(contentIndex+1) + "条")
//			if contentIndex > 1 { //每页只采集2条
//				break
//			}
//			//打开详情页
//			err = chromedp.Run(ctx2, chromedp.Tasks{
//				chromedp.Navigate(r.Href),
//				chromedp.WaitReady("document.body", chromedp.ByJSPath),
//				chromedp.Sleep(2000 * time.Millisecond),
//				//chromedp.Sleep(time.Duration(sc.ContentDelayTime) * time.Millisecond),
//			})
//			if err != nil {
//				qu.Debug("当前列表页第" + fmt.Sprint(contentIndex+1) + "条详情页打开异常")
//				continue
//			}
//			//获取详情页内容
//			err = chromedp.Run(ctx2, chromedp.Tasks{
//				chromedp.Evaluate(contentRunJs, r),
//			})
//			if err != nil {
//				qu.Debug("当前列表页第" + fmt.Sprint(contentIndex+1) + "条详情页内容获取失败")
//				continue
//			}
//			if sc.AttachCss != "" {
//				downloadAttaches(r, vm.attachesDir)
//			}
//			r.Site = sc.Site
//			r.Channel = sc.Channel
//			if r.Title == "" {
//				r.Title = r.ListTitle
//			}
//			if r.PublishTime == "" {
//				r.PublishTime = r.ListPubTime
//			}
//			r.No = no
//			no += 1
//			//结果放入缓存
//			verifyResult.PushBack(r)
//		}
//		qu.Debug("列表采集条数结果：", verifyResult.Len())
//		//TODO 6.翻页
//		if verifyResult.Len() > 0 {
//			if sc.MaxPages == 1 { //最大页为1，不校验翻页
//				ret.ListTrunPage = true
//				break
//			} else if sc.MaxPages > 1 { //&& !ret.ListTrunPage {
//				if err = trunPage(sc, sc.ListTurnDelayTime, ctx); err != nil { //翻页失败
//					break T
//				} else {
//					ret.ListTrunPage = true
//				}
//			}
//		}
//	}
//	//检查
//	for el := verifyResult.Front(); el != nil; el = el.Next() {
//		r, _ := el.Value.(*be.ResultItem)
//		if ret.Title {
//			ret.Title = r.Title != ""
//		}
//		if ret.PublishUnit {
//			ret.PublishUnit = r.PublishUnit != ""
//		}
//		if ret.PublishTime {
//			ret.PublishTime = r.PublishTime != ""
//		}
//		if ret.Content {
//			ret.Content = r.Content != ""
//		}
//		if ret.Attaches {
//			ret.Attaches = len(r.AttachLinks) > 0
//		}
//	}
//	qu.Debug(verifyResult.Len())
//	if ret.ListItems {
//		ret.ListItems = (sc.MaxPages == 1 && verifyResult.Len() > 0) || (sc.MaxPages > 1 && verifyResult.Len() > 2)
//	}
//
//	//TODO:每次验证结果存库、内存？
//	return ret, nil
//}

// VerifySpiderConfig 只验证列表标注
func (vm *VM) VerifySpiderConfig(sc *be.SpiderConfig) (*be.SpiderConfigVerifyResult, error) {
	qu.Debug("sc---", *sc)
	verifyResult := list.New()
	ret := &be.SpiderConfigVerifyResult{false, true, false, true, true, true, false}
	_, baseCancelFn, _, _, ctx, incCancelFn := be.NewBrowser(false, false, "") //列表页使用
	defer func() {
		incCancelFn()
		baseCancelFn()
	}()

	listRunJs, contentRunJs := sc.ListJSCode, sc.ContentJSCode
	//TODO 2. 执行JS代码，获取列表页信息
	if be.RegSpace.ReplaceAllString(listRunJs, "") == "" {
		listRunJs = renderJavascriptCoder(loadListItemsJS, sc)
	}
	if be.RegSpace.ReplaceAllString(contentRunJs, "") == "" {
		contentRunJs = renderJavascriptCoder(loadContentJS, sc)
	}
	qu.Debug("列表页JS:", listRunJs)
	//TODO 3.打开列表，获取条目清单
	chromedp.Run(ctx, chromedp.Tasks{
		chromedp.Navigate(sc.Href),
		chromedp.WaitReady("document.body", chromedp.ByJSPath),
		//chromedp.Sleep(1000 * time.Millisecond),
		chromedp.Sleep(time.Duration(sc.ListDelayTime) * time.Millisecond),
	})
	no := 1
T:
	for j := 0; j < 2; j++ { //最多检查2页
		qu.Debug("开始检查第" + fmt.Sprint(j+1) + "页...")
		listResult := make(be.ResultItems, 0)
		err := chromedp.Run(ctx, chromedp.Tasks{
			chromedp.Evaluate(listRunJs, &listResult),
		})
		if err != nil {
			qu.Debug("执行列表页JS代码失败", err.Error())
			continue
		}
		//TODO 5.操作详情页
		qu.Debug("列表采集条数：", len(listResult))
		for contentIndex, r := range listResult {
			if contentIndex > 1 { //每页只校验2条
				break
			}
			qu.Debug("当前列表页第" + fmt.Sprint(contentIndex+1) + "条")
			r.Site = sc.Site
			r.Channel = sc.Channel
			qu.Debug(r.Title, r.ListTitle)
			if r.Title == "" {
				r.Title = r.ListTitle
			}
			qu.Debug(r.PublishTime, r.ListPubTime)
			if r.PublishTime == "" {
				r.PublishTime = r.ListPubTime
			}
			r.No = no
			no += 1
			//结果放入缓存
			verifyResult.PushBack(r)
		}
		qu.Debug("列表采集条数结果：", verifyResult.Len())
		//TODO 6.翻页
		if verifyResult.Len() > 0 {
			if sc.MaxPages == 1 { //最大页为1，不校验翻页
				ret.ListTrunPage = true
				break
			} else if sc.MaxPages > 1 { // && !ret.ListTrunPage {
				if err = trunPage(sc, sc.ListTurnDelayTime, ctx); err != nil { //翻页失败
					qu.Debug("翻页失败：", err)
					break T
				} else {
					ret.ListTrunPage = true
				}
			}
		}
	}
	//检查
	for el := verifyResult.Front(); el != nil; el = el.Next() {
		r, _ := el.Value.(*be.ResultItem)
		ret.Title = r.Title != ""
		qu.Debug("Check Title:", ret.Title, r.Title, r.ListTitle)
		ret.PublishTime = r.PublishTime != ""
		qu.Debug("Check PublishTime:", ret.PublishTime, r.PublishTime, r.ListPubTime)
	}
	if ret.ListItems {
		ret.ListItems = (sc.MaxPages == 1 && verifyResult.Len() > 0) || (sc.MaxPages > 1 && verifyResult.Len() > 2)
	}

	return ret, nil
}