實(shí)例：使用puppeteer headless方式抓取JS網(wǎng)

puppeteer

google chrome團(tuán)隊(duì)出品的puppeteer 是依賴nodejs和chromium的自動(dòng)化測(cè)試庫(kù)，它的最大優(yōu)點(diǎn)就是可以處理網(wǎng)頁(yè)中的動(dòng)態(tài)內(nèi)容，如JavaScript，能夠更好的模擬用戶。
有些網(wǎng)站的反爬蟲手段是將部分內(nèi)容隱藏于某些javascript/ajax請(qǐng)求中，致使直接獲取a標(biāo)簽的方式不奏效。甚至有些網(wǎng)站會(huì)設(shè)置隱藏元素“陷阱”，對(duì)用戶不可見，腳本觸發(fā)則認(rèn)為是機(jī)器。這種情況下，puppeteer的優(yōu)勢(shì)就凸顯出來(lái)了。
它可實(shí)現(xiàn)如下功能：

1. 生成頁(yè)面的屏幕截圖和PDF。
2. 抓取SPA并生成預(yù)先呈現(xiàn)的內(nèi)容（即“×××”）。
3. 自動(dòng)表單提交，UI測(cè)試，鍵盤輸入等。
4. 創(chuàng)建一個(gè)最新的自動(dòng)化測(cè)試環(huán)境。使用最新的JavaScript和瀏覽器功能，直接在最新版本的Chrome中運(yùn)行測(cè)試。
5. 捕獲跟蹤您網(wǎng)站的時(shí)間線，以幫助診斷性能問(wèn)題。

開源地址：[https://github.com/GoogleChrome/puppeteer/][1]

安裝

npm i puppeteer

注意先安裝nodejs, 并在nodejs文件根目錄下執(zhí)行（npm文件同級(jí)）。
安裝過(guò)程中會(huì)下載chromium，大約120M。

用兩天（大約10小時(shí)）摸索，繞過(guò)了相當(dāng)多的異步的坑，筆者對(duì)puppeteer和nodejs有了一定的掌握。
一張長(zhǎng)圖，抓取blog文章列表：

抓取blog文章

以csdn blog為例，文章內(nèi)容需要點(diǎn)擊“閱讀全文”來(lái)獲取，這就導(dǎo)致只能讀取dom的腳本失效。

/**
* 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; i<makLoop;i++){
        try{
            await page.evaluate(()=>window.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"] h3 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<hrefs.length){
        url = hrefs[countUrl];
        countUrl++;
    }else{
        browser.close();
        return;
    }
    console.log('processing url: '+url);
    try{
        const tab = await browser.newPage();
        await tab.setUserAgent(userAgent);
        await tab.setViewport({width:414, height:736});
        await tab.setRequestInterception(true);
        //filter to block images
        tab.on('request', request => {
        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();
    }

  }
})();

執(zhí)行過(guò)程

錄屏可以在我公眾號(hào)查看，下邊是截圖：

執(zhí)行結(jié)果

文章內(nèi)容列表：

文章內(nèi)容：

結(jié)束語(yǔ)

以前就想過(guò)既然nodejs是使用JavaScript腳本語(yǔ)言，那么它肯定能處理網(wǎng)頁(yè)的JavaScript內(nèi)容，但并沒有發(fā)現(xiàn)合適的/高效率的庫(kù)。直到發(fā)現(xiàn)puppeteer，才下定決心試水。
話說(shuō)回來(lái)，nodejs的異步真的是很頭疼的一件事，這上百行代碼我竟然折騰了10個(gè)小時(shí)。
大家可拓展下代碼中process()方法，使用async.eachSeries，我使用的遞歸方式并不是最優(yōu)解。
事實(shí)上，逐一處理并不高效，原本我寫了一個(gè)異步的關(guān)閉browser方法：

let tryCloseBrowser = setInterval(function(){
        console.log("check if any process running...")
        if(countDown<=0){
          clearInterval(tryCloseBrowser);
          console.log("none process running, close.")
          browser.close();
        }
    },3000);

按照這個(gè)思路，代碼的最初版本是同時(shí)打開多個(gè)tab頁(yè)，效率很高，但容錯(cuò)率很低，大家可以試著自己寫一下。

題外話

看過(guò)我的文章的人都知道，我寫文章更強(qiáng)調(diào)處理問(wèn)題的方式/方法，給大家一些思維上的建議。
對(duì)于nodejs和puppeteer我是完全陌生的（當(dāng)然，我知道他們適合做什么，僅此而已）。如果大家還記得《10倍速程序員》里提到的按需記憶的理念，那么你就會(huì)理解我刻意的不去系統(tǒng)的學(xué)習(xí)新技術(shù)。
我說(shuō)說(shuō)我接觸puppeteer到完成我需要功能的所有思維邏輯：

1. 了解puppeteer功能/特性，結(jié)合目的判斷是否滿足要求。
2. 快速實(shí)現(xiàn)getStart中的所有demo
3. 二次判斷puppeteer的特性，從設(shè)計(jì)者角度出發(fā)，推測(cè)puppeteer的架構(gòu)。
4. 驗(yàn)證架構(gòu)。
5. 通讀api，了解puppeteer細(xì)節(jié)。
6. 搜索puppeteer前置學(xué)習(xí)內(nèi)容（以及前置學(xué)習(xí)內(nèi)容所依賴的前置學(xué)習(xí)內(nèi)容）。整理學(xué)習(xí)內(nèi)容樹，回到1。
7. 設(shè)計(jì)/分析/調(diào)試/……

2018年5月9日02點(diǎn)13分