Chrome+Puppeteer+Node.js爬取網(wǎng)站的方法

這篇文章將為大家詳細(xì)講解有關(guān)Chrome+Puppeteer+Node.js爬取網(wǎng)站的方法，小編覺(jué)得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

我們將學(xué)到什么？

在本教程中，您將學(xué)習(xí)如何使用 JavaScript 自動(dòng)化和清理 web 。要做到這一點(diǎn)，我們將使用 Puppeteer 。Puppeteer是一個(gè)允許我們控制無(wú)頭Chrome 的 Node 庫(kù) API。Headless Chrome是一種在不真實(shí)運(yùn)行 Chrome 的情況下運(yùn)行 Chrome 瀏覽器的方法。

【視頻教程推薦：nodejs視頻教程 】

如果這一切都沒(méi)有意義，您真正需要知道的是，我們將編寫 JavaScript 代碼，使 Google Chrome 實(shí)現(xiàn)自動(dòng)化。

開始之前

開始之前，您需要在計(jì)算機(jī)上安裝 Node 8+。您可以在此處進(jìn)行安裝。確保選擇「當(dāng)前」版本 8+ 版本。

如果您以前從未使用過(guò) Node 并想學(xué)習(xí)，請(qǐng)查看：學(xué)習(xí) Node JS 3 種最佳在線 Node JS 課程。

安裝完 Node 后，創(chuàng)建一個(gè)新的項(xiàng)目文件夾并安裝 Puppeteer。 Puppeteer 附帶了 Chromium 的最新版本，該版本可以與 API 一起使用：

npm install --save puppeteer

例 #1 — 截圖

安裝完 Puppeteer 之后，我們將首先介紹一個(gè)簡(jiǎn)單的示例。此示例來(lái)自Puppeteer 文檔(進(jìn)行了少量更改)。我們將通過(guò)代碼逐步介紹對(duì)您訪問(wèn)的網(wǎng)站如何截圖。

首先，創(chuàng)建一個(gè)名為test.js的文件，然后復(fù)制以下代碼：

const puppeteer = require('puppeteer');

async function getPic() {
  const browser = await puppeteer.launch();
  const page = await browser.newPage();
  await page.goto('https://google.com');
  await page.screenshot({path: 'google.png'});

  await browser.close();
}

getPic();

讓我們逐行瀏覽這個(gè)例子。

• 第1行： 我們需要我們先前安裝的 Puppeteer 依賴項(xiàng)
• 第3-10行：這是我們的主函數(shù)getPic()。該函數(shù)將保存我們所有的自動(dòng)化代碼。
• 第12行：在第12行上，我們調(diào)用getPic()函數(shù)。

需要注意的是，getPic()函數(shù)是一個(gè)異步函數(shù)，并利用了新的ES 2017async/await功能。由于這個(gè)函數(shù)是異步的，所以當(dāng)調(diào)用時(shí)它返回一個(gè)Promise。當(dāng)Async函數(shù)最終返回值時(shí)，Promise將被解析(如果存在錯(cuò)誤，則Reject)。

由于我們使用的是async函數(shù)，因此我們可以使用await表達(dá)式，該表達(dá)式將暫停函數(shù)執(zhí)行并等待Promise解析后再繼續(xù)。 如果現(xiàn)在所有這些都沒(méi)有意義，那也沒(méi)關(guān)系。隨著我們繼續(xù)學(xué)習(xí)教程，它將變得更加清晰。

現(xiàn)在，我們概述了主函數(shù)，讓我們深入了解其內(nèi)部功能：

• 第4行：

const browser = await puppeteer.launch();

這是我們實(shí)際啟動(dòng) puppeteer 的地方。實(shí)際上，我們正在啟動(dòng) Chrome 實(shí)例，并將其設(shè)置為等于我們新創(chuàng)建的browser變量。由于我們使用了await關(guān)鍵字，因此該函數(shù)將在此處暫停，直到Promise解析(直到我們成功創(chuàng)建 Chrome 實(shí)例或出錯(cuò))為止。

• 第5行：

const page = await browser.newPage();

在這里，我們?cè)谧詣?dòng)瀏覽器中創(chuàng)建一個(gè)新頁(yè)面。我們等待新頁(yè)面打開并將其保存到我們的page變量中。

• 第6行：

await page.goto('https://google.com');

使用我們?cè)诖a的最后一行中創(chuàng)建的page，現(xiàn)在可以告訴page導(dǎo)航到URL。在此示例中，導(dǎo)航到 google。我們的代碼將暫停，直到頁(yè)面加載完畢。

• 第7行：

await page.screenshot({path: 'google.png'});

現(xiàn)在，我們告訴 Puppeteer 截取當(dāng)前頁(yè)面的屏幕。screenshot()方法將自定義的.png屏幕截圖的保存位置的對(duì)象作為參數(shù)。同樣，我們使用了await關(guān)鍵字，因此在執(zhí)行操作時(shí)我們的代碼會(huì)暫停。

• 第9行：

await browser.close();

最后，我們到了getPic()函數(shù)的結(jié)尾，并且關(guān)閉了browser。

運(yùn)行示例

您可以使用 Node 運(yùn)行上面的示例代碼：

node test.js

這是生成的屏幕截圖：

太棒了！為了增加樂(lè)趣(并簡(jiǎn)化調(diào)試)，我們可以不以無(wú)頭方式運(yùn)行代碼。

這到底是什么意思？自己嘗試一下，看看吧。更改代碼的第4行從：

const browser = await puppeteer.launch();

改為:

const browser = await puppeteer.launch({headless: false});

然后使用 Node 再次運(yùn)行：

node test.js

太酷了吧？當(dāng)我們使用{headless：false}運(yùn)行時(shí)，您可以真實(shí)看到 Google Chrome 按照您的代碼工作。

在繼續(xù)之前，我們將對(duì)這段代碼做最后一件事。還記得我們的屏幕截圖有點(diǎn)偏離中心嗎？那是因?yàn)槲覀兊捻?yè)面有點(diǎn)小。我們可以通過(guò)添加以下代碼行來(lái)更改頁(yè)面的大?。?/p>

await page.setViewport({width: 1000, height: 500})

這個(gè)屏幕截圖更好看點(diǎn)：

這是本示例的最終代碼：

const puppeteer = require('puppeteer');

async function getPic() {
  const browser = await puppeteer.launch({headless: false});
  const page = await browser.newPage();
  await page.goto('https://google.com');
  await page.setViewport({width: 1000, height: 500})
  await page.screenshot({path: 'google.png'});

  await browser.close();
}

getPic();

示例 #2-讓我們抓取一些數(shù)據(jù)

既然您已經(jīng)了解了 Headless Chrome 和 Puppeteer 的工作原理，那么讓我們看一個(gè)更復(fù)雜的示例，在該示例中我們事實(shí)上可以抓取一些數(shù)據(jù)。

首先， 在此處查看 Puppeteer 的 API 文檔。 如您所見，我們有很多方法可以使用, 不僅可以點(diǎn)擊網(wǎng)站，還可以填寫表格，輸入內(nèi)容和讀取數(shù)據(jù)。

在本教程中，我們將抓取 Books To Scrape ，這是一家專門設(shè)置的假書店，旨在幫助人們練習(xí)抓取。

在同一目錄中，創(chuàng)建一個(gè)名為scrape.js的文件，并插入以下樣板代碼：

const puppeteer = require('puppeteer');

let scrape = async () => {
  // 實(shí)際的抓取從這里開始...

  // 返回值
};

scrape().then((value) => {
    console.log(value); // 成功!
});

理想情況下，在看完第一個(gè)示例之后，上面的代碼對(duì)您有意義。如果沒(méi)有，那沒(méi)關(guān)系！

我們上面所做的需要以前安裝的puppeteer依賴關(guān)系。然后我們有scraping()函數(shù)，我們將在其中填入抓取代碼。此函數(shù)將返回值。最后，我們調(diào)用scraping函數(shù)并處理返回值(將其記錄到控制臺(tái))。

我們可以通過(guò)在scrape函數(shù)中添加一行代碼來(lái)測(cè)試以上代碼。試試看：

let scrape = async () => {
  return 'test';
};

現(xiàn)在，在控制臺(tái)中運(yùn)行node scrape.js。您應(yīng)該返回test！完美，我們返回的值正在記錄到控制臺(tái)?，F(xiàn)在我們可以開始補(bǔ)充我們的scrape函數(shù)。

步驟1：設(shè)置

我們需要做的第一件事是創(chuàng)建瀏覽器實(shí)例，打開一個(gè)新頁(yè)面，然后導(dǎo)航到URL。我們的操作方法如下：

let scrape = async () => {
  const browser = await puppeteer.launch({headless: false});
  const page = await browser.newPage();
  await page.goto('http://books.toscrape.com/');
  await page.waitFor(1000); // Scrape browser.close();
  return result;};

太棒了！讓我們逐行學(xué)習(xí)它：

首先，我們創(chuàng)建瀏覽器，并將headless模式設(shè)置為false。這使我們可以準(zhǔn)確地觀察發(fā)生了什么：

const browser = await puppeteer.launch({headless: false});

然后，我們?cè)跒g覽器中創(chuàng)建一個(gè)新頁(yè)面：

const page = await browser.newPage();

接下來(lái)，我們轉(zhuǎn)到books.toscrape.com URL：

await page.goto('http://books.toscrape.com/');

我選擇性地添加了1000毫秒的延遲。盡管通常沒(méi)有必要，但這將確保頁(yè)面上的所有內(nèi)容都加載：

await page.waitFor(1000);

最后，完成所有操作后，我們將關(guān)閉瀏覽器并返回結(jié)果。

browser.close();
return result;

步驟2：抓取

正如您現(xiàn)在可能已經(jīng)確定的那樣，Books to Scrape 擁有大量的真實(shí)書籍和這些書籍的偽造數(shù)據(jù)。我們要做的是選擇頁(yè)面上的第一本書，然后返回該書的標(biāo)題和價(jià)格。這是要抓取的圖書的主頁(yè)。我有興趣點(diǎn)第一本書(下面紅色標(biāo)記)

查看 Puppeteer API，我們可以找到單擊頁(yè)面的方法：

page.click(selector[, options])

• selector  用于選擇要單擊的元素的選擇器，如果有多個(gè)滿足選擇器的元素，則將單擊第一個(gè)。

幸運(yùn)的是，使用 Google Chrome 開發(fā)者工具可以非常輕松地確定特定元素的選擇器。只需右鍵單擊圖像并選擇檢查：

這將打開元素面板，突出顯示該元素?，F(xiàn)在，您可以單擊左側(cè)的三個(gè)點(diǎn)，選擇復(fù)制，然后選擇復(fù)制選擇器：

太棒了！現(xiàn)在，我們復(fù)制了選擇器，并且可以將click方法插入程序。像這樣：

await page.click('#default > p > p > p > p > section > p:nth-child(2) > ol > li:nth-child(1) > article > p.image_container > a > img');

我們的窗口將單擊第一個(gè)產(chǎn)品圖像并導(dǎo)航到該產(chǎn)品頁(yè)面！

在新頁(yè)面上，我們對(duì)商品名稱和商品價(jià)格均感興趣(以下以紅色概述)

為了檢索這些值，我們將使用page.evaluate()方法。此方法使我們可以使用內(nèi)置的 DOM 選擇器，例如querySelector()。

我們要做的第一件事是創(chuàng)建page.evaluate()函數(shù)，并將返回值保存到變量result中：

const result = await page.evaluate(() => {// return something});

在函數(shù)里，我們可以選擇所需的元素。我們將使用 Google Developers 工具再次解決這一問(wèn)題。右鍵單擊標(biāo)題，然后選擇檢查：

正如您將在 elements 面板中看到的那樣，標(biāo)題只是一個(gè)h2元素。我們可以使用以下代碼選擇此元素：

let title = document.querySelector('h2');

由于我們希望文本包含在此元素中，因此我們需要添加.innerText-最終代碼如下所示：

let title = document.querySelector('h2').innerText;

同樣，我們可以通過(guò)單擊右鍵檢查元素來(lái)選擇價(jià)格：

如您所見，我們的價(jià)格有price_color類，我們可以使用此類選擇元素及其內(nèi)部文本。這是代碼：

let price = document.querySelector('.price_color').innerText;

現(xiàn)在我們有了所需的文本，可以將其返回到一個(gè)對(duì)象中：

return {
  title,
  price
}

太棒了！我們選擇標(biāo)題和價(jià)格，將其保存到一個(gè)對(duì)象中，然后將該對(duì)象的值返回給result變量。放在一起是這樣的：

const result = await page.evaluate(() => {
  let title = document.querySelector('h2').innerText;
  let price = document.querySelector('.price_color').innerText;
  return {
     title,
     price
}});

剩下要做的唯一一件事就是返回result，以便可以將其記錄到控制臺(tái)：

return result;

您的最終代碼應(yīng)如下所示：

const puppeteer = require('puppeteer');

let scrape = async () => {
    const browser = await puppeteer.launch({headless: false});
    const page = await browser.newPage();

    await page.goto('http://books.toscrape.com/');
    await page.click('#default > p > p > p > p > section > p:nth-child(2) > ol > li:nth-child(1) > article > p.image_container > a > img');
    await page.waitFor(1000);

    const result = await page.evaluate(() => {
        let title = document.querySelector('h2').innerText;
        let price = document.querySelector('.price_color').innerText;

        return {
            title,
            price
        }

    });

    browser.close();
    return result;
};

scrape().then((value) => {
    console.log(value); // 成功!
});

您可以通過(guò)在控制臺(tái)中鍵入以下內(nèi)容來(lái)運(yùn)行 Node 文件：

node scrape.js // { 書名: 'A Light in the Attic', 價(jià)格: '￡51.77' }

您應(yīng)該看到所選圖書的標(biāo)題和價(jià)格返回到屏幕上！您剛剛抓取了網(wǎng)頁(yè)！

示例 #3 ——完善它

現(xiàn)在您可能會(huì)問(wèn)自己，當(dāng)標(biāo)題和價(jià)格都顯示在主頁(yè)上時(shí)，為什么我們要點(diǎn)擊書？為什么不從那里抓取呢？而在我們嘗試時(shí)，為什么不抓緊所有書籍的標(biāo)題和價(jià)格呢？

因?yàn)橛泻芏喾椒梢宰ト【W(wǎng)站！ (此外，如果我們留在首頁(yè)上，我們的標(biāo)題將被刪掉)。但是，這為您提供了練習(xí)新的抓取技能的絕好機(jī)會(huì)！

挑戰(zhàn)
目標(biāo) ——從首頁(yè)抓取所有書名和價(jià)格，并以數(shù)組形式返回。這是我最終的輸出結(jié)果：

開始！看看您是否可以自己完成此任務(wù)。與我們剛創(chuàng)建的上述程序非常相似，如果卡住，請(qǐng)向下滾動(dòng)…
GO! See if you can accomplish this on your own. It’s very similar to the above program we just created. Scroll down if you get stuck…

提示：
此挑戰(zhàn)與上一個(gè)示例之間的主要區(qū)別是需要遍歷大量結(jié)果。您可以按照以下方法設(shè)置代碼來(lái)做到這一點(diǎn)：

const result = await page.evaluate(() => {
  let data = []; // 創(chuàng)建一個(gè)空數(shù)組
  let elements = document.querySelectorAll('xxx'); // 選擇全部   
    // 遍歷每一個(gè)產(chǎn)品
    // 選擇標(biāo)題
    // 選擇價(jià)格
    data.push({title, price}); // 將數(shù)據(jù)放到數(shù)組里, 返回?cái)?shù)據(jù)； 
    // 返回?cái)?shù)據(jù)數(shù)組
});

如果您不明白，沒(méi)事！這是一個(gè)棘手的問(wèn)題…… 這是一種可能的解決方案。在以后的文章中，我將深入研究此代碼及其工作方式，我們還將介紹更高級(jí)的抓取技術(shù)。如果您想收到通知，請(qǐng)務(wù)必 在此處輸入您的電子郵件 。

方案：

const puppeteer = require('puppeteer');

let scrape = async () => {
    const browser = await puppeteer.launch({headless: false});
    const page = await browser.newPage();

    await page.goto('http://books.toscrape.com/');

    const result = await page.evaluate(() => {
        let data = []; // 創(chuàng)建一個(gè)空數(shù)組, 用來(lái)存儲(chǔ)數(shù)據(jù)
        let elements = document.querySelectorAll('.product_pod'); // 選擇所有產(chǎn)品

        for (var element of elements){ // 遍歷每個(gè)產(chǎn)品
            let title = element.childNodes[5].innerText; // 選擇標(biāo)題
            let price = element.childNodes[7].children[0].innerText; // 選擇價(jià)格

            data.push({title, price}); // 將對(duì)象放進(jìn)數(shù)組 data 
        }

        return data; // 返回?cái)?shù)組 data
    });

    browser.close();
    return result; //  返回?cái)?shù)據(jù)
};

scrape().then((value) => {
    console.log(value); // 成功!
});

關(guān)于Chrome+Puppeteer+Node.js爬取網(wǎng)站的方法就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。