怎么在Node中使用Puppeteer實現一個爬蟲

這篇文章將為大家詳細講解有關怎么在Node中使用Puppeteer實現一個爬蟲，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

架構圖

Puppeteer架構圖

1. Puppeteer 通過 devTools 與 browser 通信

2. Browser 一個可以擁有多個頁面的瀏覽器(chroium)實例

3. Page 至少含有一個 Frame 的頁面

4. Frame 至少還有一個用于執行 javascript 的執行環境，也可以拓展多個執行環境

前言

最近想要入手一臺臺式機，筆記本的i5在打開網頁和vsc的時候有明顯卡頓的情況，因此打算配1臺 i7 + GTX1070TI or GTX1080TI的電腦，直接在淘寶上搜需要翻頁太多，并且圖片太多，腦容量接受不了，因此想爬一些數據，利用圖形化分析一下最近價格的走勢。因此寫了一個用Puppeteer寫了一個爬蟲爬去相關數據。

什么是Puppeteer？

Puppeteer is a Node library which provides a high-level API to control headless Chrome or Chromium over the DevTools Protocol. It can also be configured to use full (non-headless) Chrome or Chromium.

簡而言之，這貨是一個提供高級API的node庫，能夠通過devtool控制headless模式的chrome或者chromium，它可以在headless模式下模擬任何的人為操作。

和cheerio的區別

cherrico本質上只是一個使用類似jquery的語法操作HTML文檔的庫，使用cherrico爬取數據，只是請求到靜態的HTML文檔，如果網頁內部的數據是通過ajax動態獲取的，那么便爬去不到的相應的數據。而Puppeteer能夠模擬一個瀏覽器的運行環境，能夠請求網站信息，并運行網站內部的邏輯。然后再通過WS協議動態的獲取頁面內部的數據，并能夠進行任何模擬的操作(點擊、滑動、hover等),并且支持跳轉頁面，多頁面管理。甚至能注入node上的腳本到瀏覽器內部環境運行，總之，你能對一個網頁做的操作它都能做，你不能做的它也能做。

開始

本文不是一個手把手教程，因此需要你有基本的Puppeteer API常識，如果不懂，請先看看官方介紹
Puppeteer官方站點
PuppeteerAPI

首先我們觀察要爬去的網站信息 GTX1080

這是我們要爬取的淘寶網頁，只有中間的商品項目是我們需要爬取的內容，仔細分析它的結構，相信一個前端都有這樣的能力。

我使用的Typescript，能夠獲得完整的Puppetter及相關庫的API提示，如果你不會TS，只需要將相關的代碼換成ES的語法就好了

// 引入一些需要用到的庫以及一些聲明
import * as puppeteer from 'puppeteer' // 引入Puppeteer
import mongo from '../lib/mongoDb' // 需要用到的 mongodb庫，用來存取爬取的數據
import chalk from 'chalk' // 一個美化 console 輸出的庫

const log = console.log // 縮寫 console.log
const TOTAL_PAGE = 50 // 定義需要爬取的網頁數量，對應頁面下部的跳轉鏈接

// 定義要爬去的數據結構
interface IWriteData { 
 link: string // 爬取到的商品詳情鏈接
 picture: string // 爬取到的圖片鏈接
 price: number // 價格，number類型，需要從爬取下來的數據進行轉型
 title: string // 爬取到的商品標題
}

// 格式化的進度輸出 用來顯示當前爬取的進度
function formatProgress (current: number): string { 
 let percent = (current / TOTAL_PAGE) * 100
 let done = ~~(current / TOTAL_PAGE * 40)
 let left = 40 - done
 let str = `當前進度：[${''.padStart(done, '=')}${''.padStart(left, '-')}]  ${percent}%`
 return str
}

接下來我們開始進入到爬蟲的主要邏輯

// 因為我們需要用到大量的 await 語句，因此在外層包裹一個 async function
async function main() {
 // Do something
}
main()

// 進入代碼的主邏輯
async function main() {
 // 首先通過Puppeteer啟動一個瀏覽器環境
 const browser = await puppeteer.launch()
 log(chalk.green('服務正常啟動'))
 // 使用 try catch 捕獲異步中的錯誤進行統一的錯誤處理
 try {
  // 打開一個新的頁面
  const page = await browser.newPage()
  // 監聽頁面內部的console消息
  page.on('console', msg => {
   if (typeof msg === 'object') {
    console.dir(msg)
   } else {
    log(chalk.blue(msg))
   }
  })

  // 打開我們剛剛看見的淘寶頁面
  await page.goto('https://s.taobao.com/search?q=gtx1080&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20180416&ie=utf8')
  log(chalk.yellow('頁面初次加載完畢'))

  // 使用一個 for await 循環，不能一個時間打開多個網絡請求，這樣容易因為內存過大而掛掉
  for (let i = 1; i <= TOTAL_PAGE; i++) {
   // 找到分頁的輸入框以及跳轉按鈕
   const pageInput = await page.$(`.J_Input[type='number']`)
   const submit = await page.$('.J_Submit')
   // 模擬輸入要跳轉的頁數
   await pageInput.type('' + i)
   // 模擬點擊跳轉
   await submit.click()
   // 等待頁面加載完畢，這里設置的是固定的時間間隔，之前使用過page.waitForNavigation()，但是因為等待的時間過久導致報錯（Puppeteer默認的請求超時是30s,可以修改）,因為這個頁面總有一些不需要的資源要加載，而我的網絡最近日了狗，會導致超時，因此我設定等待2.5s就夠了
   await page.waitFor(2500)

   // 清除當前的控制臺信息
   console.clear()
   // 打印當前的爬取進度
   log(chalk.yellow(formatProgress(i)))
   log(chalk.yellow('頁面數據加載完畢'))

   // 處理數據，這個函數的實現在下面
   await handleData()
   // 一個頁面爬取完畢以后稍微歇歇，不然太快淘寶會把你當成機器人彈出驗證碼（雖然我們本來就是機器人）
   await page.waitFor(2500)
  }

  // 所有的數據爬取完畢后關閉瀏覽器
  await browser.close()
  log(chalk.green('服務正常結束'))

  // 這是一個在內部聲明的函數，之所以在內部聲明而不是外部，是因為在內部可以獲取相關的上下文信息，如果在外部聲明我還要傳入 page 這個對象
  async function handleData() {
   // 現在我們進入瀏覽器內部搞些事情，通過page.evaluate方法，該方法的參數是一個函數，這個函數將會在頁面內部運行，這個函數的返回的數據將會以Promise的形式返回到外部 
   const list = await page.evaluate(() => {
    
    // 先聲明一個用于存儲爬取數據的數組
    const writeDataList: IWriteData[] = []

    // 獲取到所有的商品元素
    let itemList = document.querySelectorAll('.item.J_MouserOnverReq')
    // 遍歷每一個元素，整理需要爬取的數據
    for (let item of itemList) {
     // 首先聲明一個爬取的數據結構
     let writeData: IWriteData = {
      picture: undefined,
      link: undefined,
      title: undefined,
      price: undefined
     }

     // 找到商品圖片的地址
     let img = item.querySelector('img')
     writeData.picture = img.src

     // 找到商品的鏈接
     let link: HTMLAnchorElement = item.querySelector('.pic-link.J_ClickStat.J_ItemPicA')
     writeData.link = link.href

     // 找到商品的價格，默認是string類型 通過~~轉換為整數number類型
     let price = item.querySelector('strong')
     writeData.price = ~~price.innerText
     
     // 找到商品的標題，淘寶的商品標題有高亮效果，里面有很多的span標簽，不過一樣可以通過innerText獲取文本信息
     let title: HTMLAnchorElement = item.querySelector('.title>a')
 
     writeData.title = title.innerText

     // 將這個標簽頁的數據push進剛才聲明的結果數組
     writeDataList.push(writeData)
    }
    // 當前頁面所有的返回給外部環境
    return writeDataList
    
   })
   // 得到數據以后寫入到mongodb
   const result = await mongo.insertMany('GTX1080', list)

   log(chalk.yellow('寫入數據庫完畢'))
  }

 } catch (error) {
  // 出現任何錯誤，打印錯誤消息并且關閉瀏覽器
  console.log(error)
  log(chalk.red('服務意外終止'))
  await browser.close()
 } finally {
  // 最后要退出進程
  process.exit(0)
 }
}

思考

1、為什么使用Typescript？

因為Typescript就是好用啊，我也背不住Puppeteer的全部API，也不想每一個都查，所以使用TS就能智能提醒了,也能避免因為拼寫導致的低級錯誤。基本上用了TS以后，敲代碼都能一遍過

puppeteer.png

2、爬蟲的性能問題？

因為Puppeteer會啟動一個瀏覽器，執行內部的邏輯，所以占用的內存是蠻多的，看了看控制臺，這個node進程大概占用300MB左右的內存。

我的頁面是一個個爬的，如果想更快的爬取可以啟動多個進程，注意，V8是單線程的，所以在一個進程內部打開多個頁面是沒有意義的，需要配置不同的參數打開不同的node進程，當然也可以通過node的cluster(集群)實現，本質都是一樣的
我在爬取的過程中也設置了不同的等待時間，一方面是為了等待網頁的加載，一方面避免淘寶識別到我是爬蟲彈驗證碼

3、Puppeteer的其它功能

這里僅僅利用了Puppeteer的一些基本特性，實際上Puppeteer還有更多的功能。比如引入node上的處理函數在瀏覽器內部執行，將當前頁面保存為pdf或者png圖片。并且還可以通過const browser = await puppeteer.launch({ headless: false })啟動一個帶界面效果的瀏覽器，你可以看見你的爬蟲是如何運作的。此外一些需要登錄的網站，如果你不想識別驗證碼委托第三方進行處理，你也可以關閉headless，然后在程序中設置等待時間，手動完成一些驗證從而達到登錄的目的。

當然google制作了一個這么牛逼的庫可不只是用來做爬蟲爬取數據的，這個庫也用作于一些自動化的性能分析、界面測試、前端網站監控等

關于怎么在Node中使用Puppeteer實現一個爬蟲就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。