浏览器抓取网页(puppeteergoogle团队出品的puppeteer和浏览器功能)

　　浏览器抓取网页(puppeteergoogle团队出品的puppeteer和浏览器功能)

　　木偶演员

　　GoogleChrome团队生产的puppeter是一个依靠nodejs和Chrome的自动化测试库。它最大的优点是可以处理网页中的动态内容，如JavaScript，并更好地模拟用户

　　一些网站反爬虫方法在一些JavaScript/Ajax请求中隐藏了部分内容，这使得直接获取a标记的方法无效。有些网站甚至会设置用户看不见的隐藏元素“陷阱”，脚本触发器被认为是机器。在这种情况下，木偶师的优势就突出了

　　可实现以下功能：

　　1.生成页面的截图和PDF

　　2.抓取spa并生成预渲染内容（即“SSR”）

　　3.自动表单提交、UI测试、键盘输入等

　　4.创建最新的自动化测试环境。使用最新的JavaScript和浏览器功能直接在最新版本的chrome中运行测试

　　5.捕获并跟踪您的网站时间线，以帮助诊断性能问题

　　开放源代码地址：[]1]

　　装置

　　npm i puppeteer

　　注意：首先安装nodejs并在nodejs文件的根目录下执行（同一级别的NPM文件）

　　铬将在安装过程中下载，约120m

　　花了两天（约10小时）的时间探索并绕过了大量的异步坑。作者对木偶演员和舞者有一定的掌握

　　长照片、抓拍blog文章List:

　　

　　抓住blog文章

　　以CSDN博客为例，文章内容需要通过点击“读取全文”获取，这导致只能读取dom的脚本失效

　　/**

* load blog.csdn.net article to local files

**/

const puppeteer = require('puppeteer');

//emulate iphone

const userAgent = 'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1';

const workPath = './contents';

const fs = require("fs");

if (!fs.existsSync(workPath)) {

fs.mkdirSync(workPath)

}

//base url

const rootUrl = 'https://blog.csdn.net/';

//max wait milliseconds

const maxWait = 100;

//max loop scroll times

const makLoop = 10;

(async () => {

let url;

let countUrl=0;

const browser = await puppeteer.launch({headless: false});//set headless: true will hide chromium UI

const page = await browser.newPage();

await page.setUserAgent(userAgent);

await page.setViewport({width:414, height:736});

await page.setRequestInterception(true);

//filter to block images

page.on('request', request => {

if (request.resourceType() === 'image')

request.abort();

else

request.continue();

});

await page.goto(rootUrl);

for(let i= 0; iwindow.scrollTo(0, document.body.scrollHeight));

await page.waitForNavigation({timeout:maxWait,waitUntil: ['networkidle0']});

}catch(err){

console.log('scroll to bottom and then wait '+maxWait+'ms.');

}

}

await page.screenshot({path: workPath+'/screenshot.png',fullPage: true, quality :100, type :'jpeg'});

//#feedlist_id li[data-type="blog"] a

const sel = '#feedlist_id li[data-type="blog"] h2 a';

const hrefs = await page.evaluate((sel) => {

let elements = Array.from(document.querySelectorAll(sel));

let links = elements.map(element => {

return element.href

})

return links;

}, sel);

console.log('total links: '+hrefs.length);

process();

async function process(){

if(countUrl {

if (request.resourceType() === 'image')

request.abort();

else

request.continue();

});

await tab.goto(url);

//execute tap request

try{

await tab.tap('.read_more_btn');

}catch(err){

console.log('there\'s none read more button. No need to TAP');

}

let title = await tab.evaluate(() => document.querySelector('#article .article_title').innerText);

let contents = await tab.evaluate(() => document.querySelector('#article .article_content').innerText);

contents = 'TITLE: '+title+'\nURL: '+url+'\nCONTENTS: \n'+contents;

const fs = require("fs");

fs.writeFileSync(workPath+'/'+tab.url().substring(tab.url().lastIndexOf('/'),tab.url().length)+'.txt',contents);

console.log(title + " has been downloaded to local.");

await tab.close();

}catch(err){

console.log('url: '+tab.url()+' \n'+err.toString());

}finally{

process();

}

}

})();

　　执行过程

　　录音机可以在我的官方帐户中查看，屏幕截图如下：

　　

　　执行结果

　　文章内容列表：

　　

　　文章content:

　　

　　结论

　　我认为由于nodejs使用JavaScript脚本语言，它当然可以处理web页面的JavaScript内容，但我没有找到合适/高效的库。直到找到木偶师，我才下定决心试水

　　换句话说，nodejs的异步性确实令人头痛。我已经花了10个小时写了几百行代码

　　您可以在代码中展开process（）方法并使用async.eachseries。我使用的递归方法不是最佳解决方案

　　事实上，逐个处理是没有效率的。我最初编写了一个异步方法来关闭浏览器：

<p>let tryCloseBrowser = setInterval(function(){

console.log("check if any process running...")

if(countDown