Puppeteer万物皆可爬

最新推荐文章于 2024-05-25 12:54:32 发布

winty~~

最新推荐文章于 2024-05-25 12:54:32 发布

阅读量1.2k

点赞数 1

puppeteer 是一个Chrome官方出品的headless Chrome node库。它提供了一系列的API, 可以在无UI的情况下调用Chrome的功能, 适用于爬虫、自动化处理等各种场景

puppteer

puppeteer 是一个Chrome官方出品的headless Chrome node库(没有图形用户界面的的web浏览器)。它提供了一系列的API, 可以在无UI的情况下调用Chrome的功能, 适用于爬虫、自动化处理等各种场景

可以用它来干什么？

生成页面截图和PDF
自动化表单提交、UI 测试、键盘输入等
创建一个最新的自动化测试环境。使用最新的 JavaScript 和浏览器功能，可以直接在最新版本的 Chrome 中运行测试。
爬取 SPA 页面并进行预渲染(即'SSR')
...

和cheerio的区别

cheerio - 这货说白了就是类似jq语法操作的html文档库，只能爬取静态的html，无法获取ajax数据，一般都axios+cherrio结合使用
puppteer - 能够模拟浏览器运行环境，能够请求网站信息。能够进行模拟操作(点击/滑动/hover等)，甚至能注入node脚本到浏览器内部环境运行

puppteer架构图

Puppeteer - 通过 devTools 与 browser 通信
Browser - 一个可以拥有多个页面的浏览器(chroium)实例
Page - 至少含有一个 Frame 的页面
Frame - 至少还有一个用于执行 javascript 的执行环境，也可以拓展多个执行环境

轻松入门

const puppeteer = require('puppeteer');(async () => {  const browser = await puppeteer.launch();  const page = await browser.newPage();  await page.goto(targetUrl);  await page.screenshot({path: 'example.png'});  await browser.close();})();

分析代码

1.引入puppeteer

const puppeteer = require('puppeteer');

2.生成实例

也就是通过Puppeteer启动一个浏览器环境

const browser = await puppeteer.launch(options);

options:

executablePath: puppeteer.executablePath() - 获取默认可执行的chrome位置
headless: false - 是否开启headless模式
slowMo: 250 - 该选项会是puppeteer操作减慢指定的毫秒数
devtools: true - 在应用程序代码浏览器中使用调试器
defaultViewport(object) - 默认800 x 600
- width
- height
- deviceScaleFactor - 比例因子
- isMobile - 是否考虑meta viewport 标签，默认为false
- hasTouch - 指定viewport是否支持触摸事件，默认为false
- isLandscape - 指定是否处于横向模式
更多参数请参照Puppeteer.launch()^[1]

3.打开一个新页面

const page = await browser.newPage();

4.前往目标页面

await page.goto(targetUrl);

注意：这里可接受第二个参数，是个对象，用来进行一些简单的配置，待选项有

waitUntil:

load - 请求到数据后立即返回
domcontentloaded - dom加载完成后返回
networkidle0 - 没有超过0个网络连接500ms后返回
networkidle2 - 没有超过2个网络连接500ms后返回

timeout: 跳转等待时间，单位是毫秒, 默认是30秒, 传 0 表示无限等待,可以通过page.setDefaultNavigationTimeout(timeout)方法修改默认值

referer(不常用): 引用页头的值。如果提供，它将优先于page.setExtraHTTPHeaders()设置的referer头值(Referer header value. If provided it will take preference over the referer header value set by page.setExtraHTTPHeaders().)

5.关闭浏览器

 browser.close();

花里胡哨

其实轻松入门节已经将我们常用的功能进行了相对完善的描述，总结一下，爬一个网页需要几步

打开浏览器
爬
关闭浏览器

是不是很简单？问题来了？怎么爬？会不会用jq？会用jq你就会用爬虫。

找到一个自己喜欢的视频网站，（以下内容仅供教学！）

const demo = async () => {  const browser = await (puppeteer.launch({    executablePath: puppeteer.executablePath(),    headless: false  }))  var arr = []  for (let i = 1; i <= 40; i++) {    console.log('正在抓取全职高手第' + i + '集')    const targetUrl = `https://goudaitv1.com/play/78727-4-${i}.html`    console.log(targetUrl)    const page = await browser.newPage()    await page.goto(targetUrl, {      timeout: 0,      waitUntil: 'domcontentloaded'    })    const baseNode = '.row'    const movieList = await page.evaluate((sel) => {      var stream = Array.from($(sel).find('iframe#Player').attr('src'))      stream && (stream = stream.join(''))      return stream    }, baseNode)    arr.push(movieList)    page.close()  }  console.log(arr)  browser.close()}

page.evaluate(pageFunction[, ...args])

pageFunction <function|string> 要在页面实例上下文中执行的方法
...args 要传给 pageFunction 的参数
返回:
pageFunction执行的结果

如果pageFunction返回的是Promise，page.evaluate将等待promise完成，并返回其返回值。

如果pageFunction返回的是不能序列化的值，将返回undefined

给pageFunction传参数示例：

const result = await page.evaluate(x => {  return Promise.resolve(8 * x);}, 7); // （注：7 可以是你自己代码里任意方式得到的值）console.log(result); // 输出 "56"

也可以传入一个字符串

console.log(await page.evaluate('1 + 2')); // 输出 "3"const x = 10;console.log(await page.evaluate(`1 + ${x}`)); // 输出 "11"

存入数据库

搞定！你可以用这些数据做自己想做的一切，比如

最后

当然，'爬'只是它的冰山一角，上述demo比较偷懒的直接获取了标签的地址进行跳转，我们还可以使用点击事件进行页面跳转，感兴趣的可以试试。

page.click(selector[, options])

selector 要点击的元素的选择器。如果有多个匹配的元素, 点击第一个。
options
- button left, right, 或者 middle, 默认是 left。
- clickCount 默认是 1. 查看 UIEvent.detail。
- delay mousedown 和 mouseup 之间停留的时间，单位是毫秒。默认是0
返回: Promise对象，匹配的元素被点击。如果没有元素被点击，Promise对象将被rejected。

此方法找到一个匹配 selector 选择器的元素，如果需要会把此元素滚动到可视，然后通过 page.mouse 点击它。如果选择器没有匹配任何元素，此方法将会报错。

要注意如果 click() 触发了一个跳转，会有一个独立的 page.waitForNavigation() Promise对象需要等待。正确的等待点击后的跳转是这样的：

const [response] = await Promise.all([  page.waitForNavigation(waitOptions),  page.click(selector, clickOptions),]);

page.waitForNavigation([options])

此方法在页面跳转到一个新地址或重新加载时解析，如果你的代码会间接引起页面跳转，这个方法比较有用。

更多参照page.waitForNavigation([options])^[2]

参考

Puppeteer 中文网^[3]

Puppeteer npm^[4]

参考资料

[1]

Puppeteer.launch(): https://github.com/GoogleChrome/puppeteer/blob/v1.20.0/docs/api.md#puppeteerlaunchoptions

[2]

page.waitForNavigation([options]): https://zhaoqize.github.io/puppeteer-api-zh_CN/#?product=Puppeteer&version=v1.20.0&show=api-pagewaitfornavigationoptions

[3]

Puppeteer 中文网: https://zhaoqize.github.io/puppeteer-api-zh_CN/

[4]

Puppeteer npm: https://www.npmjs.com/package/puppeteer