上一篇文章主要介绍了一些puppeteer爬虫api,本文是实战篇第一弹,爬取网易云音乐某个页面板块。
出发点
- 首先我不是要爬歌词,我只是想结合上一篇文章写一个练手小demo,内容随意。
- 这个demo最好可以涉及多媒体保存。
- 尽可能简单,不涉及数据库操作、删除文件操作。
- 限定网站是传统异步获取分页数据,没有分页参数在地址栏url上。
解决点
-
图片下载
之前写项目的时候习惯用axios,本文也是使用axios。
axios(url, {responseType: "stream"})
这样初始化axios就可以下载图片了。 -
图片位置
新建一个image文件夹来存储下载的图片
fs.mkdirSync("image");
-
分析网站结构
- 网易云音乐的主体由一个iframe包裹,iframe有name和id,用
iframe.name()
和Array.find
可以匹配单个Frame对象。 - 每一行都是由一个tr组成
- 获取新数据可以模拟点击下一页实现
- 网易云音乐的主体由一个iframe包裹,iframe有name和id,用
下面直接放代码
const fs = require("fs");
const puppeteer = require("puppeteer");
const axios = require("axios");
console.time("ssr"); //开始计时
if (!fs.existsSync("image")) {
//新建image文件夹
fs.mkdirSync("image");
}
(async () => {
const browser = await puppeteer.launch({
headless: false,
devtools: true
});
const page = (await browser.pages())[0];
await page.setViewport({
width: 1280,
height: 800
});
//为了简化,我直接跳到想爬的地址了。当然你也可以打开网易云一步一步操作,注意规律就好了。
await page.goto(
"http://music.163.com/#/search/m/?id=9605&s=%E5%8D%AB%E5%85%B0&type=1000"
);
//Frame对象有一个获取name的方法
let iframe = await page.frames().find(f => f.name() === "contentFrame");
//这里我只获取前五页的数据,当然你也可以获取下一页的前一个元素的innerText来确认总数
for (let i = 1; i <= 5; i++) {
fs.mkdirSync(`image/${i}`); //页码作为文件夹名
// await iframe.waitFor(".m-table td .s-fc3");
// 等待分页数据。本来想通过上面的方式来等待的,但是貌似是因为上一个页面".m-table td .s-fc3"的节点已经加载
//按下一页的时候这个选择器的节点还在,导致这个方式失效?请大佬解惑
await iframe.waitFor(2000) //ps:少于2s,有时会出现图片重复,原因是dom仍未更新导致
const te = await iframe.$$eval(".m-table tbody tr", list => {
//请注意已经进入浏览器环境了
return new Promise(resolve => {
let arr = [];
list.map((item, index) => {
let temp = {};
const str = item.querySelector(".w7 img").src;
temp.img = str.slice(0, str.lastIndexOf("?")); //获取最大尺寸的图片
temp.title = item.querySelector(".txt").innerText;
temp.author = item.querySelector(".w4 a.s-fc3").title;
temp.count = item.querySelector(".w6.s-fc4").innerText;
//因为这是浏览器的环境,我在node依赖的axios是无法在这里下载文件的,只能先保存数据再回到node中下载
// axios(temp.img,{responseType:'stream'}).then(response => response.data.pipe(fs.createWriteStream(`./image/${temp.author.jpg}`)))
arr.push(temp);
});
resolve(arr);
});
});
//回到node的环境,可以放心下载了。
te.map(async (item, index) => {
const result = await axios(item.img, {
responseType: "stream"
});
result.data.pipe(fs.createWriteStream(`./image/${i}/${item.author}.jpg`)); //管道真好使
});
// 下载完图片进入下一页,如果有页码直接用goto跳转
iframe.click('.u-page a:last-child')
}
console.timeEnd("ssr"); //计时结束
})();
复制代码
本文内容不多,把传统异步分页的爬取流程以代码形式写了一遍。小弟不才,第一次接触爬虫,并不了解其他工具是怎样爬取,如有错希望大家指正。
另外想问个问题,为什么<div tabindex="0"></div>
这样写,点击div的时候:focus
会生效。
起因:在一个div上,借助f12调试勾选:focus
,:focus
会生效,用鼠标点击就没效果。But在div加上tabindex="0"
后,鼠标点击:focus
生效
小弟不才,17年软件工程毕业生,熟悉vue写过两个公司项目。目前已离职,坐标广州,求大佬们收留。