Puppeteer怎么用來做爬蟲

這期內容當中小編將會給大家帶來有關Puppeteer怎么用來做爬蟲，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

前言

自動化測試對于軟件開發來說是一個很重要也很方便的東西，但是自動化測試工具除了能用來做測試以外，還能被用來做一些模擬人類操作的事情，所以一些 E2E 自動化測試工具（例如：Selenium、Puppeteer、Appium）因為其強大的模擬功能，經常還被爬蟲工程師們用來抓取數據。

網上有很多將自動化測試工具作為爬蟲的抓取教程，不過僅僅都限于如何獲取數據，而我們知道這些基于瀏覽器的解決方案都有較大的性能開銷，而且效率不高，并不是爬蟲的最佳選擇。

本篇文章將介紹自動化測試工具的另一種用法，也就是用來自動化一些人工操作。我們使用的工具是谷歌開發并開源的測試框架 Puppeteer ，它會操作 Chromium （谷歌開發的開源瀏覽器）來完成自動化。我們將一步一步介紹如何利用 Puppeteer 在掘金上自動發布文章。

自動化測試工具的原理

自動化測試工具的原理是通過程式化地操作瀏覽器，與其進行模擬交互（例如點擊、打字、導航等等）來控制要抓取的網頁。自動化測試工具通常也能獲取網頁的 DOM 或 HTML，因此也可以輕松的獲取網頁數據。

此外，對于一些動態網站來說，JS 動態渲染的數據通常不能輕松獲取，而自動化測試工具則可以輕松的做到，因為它是將 HTML 輸入瀏覽器里運行的。

Puppeteer 簡介

這里摘抄 Puppeteer 的 Github 主頁上的定義（英文）。

Puppeteer is a Node library which provides a high-level API to control Chrome or Chromium over the DevTools Protocol. Puppeteer runs headless by default, but can be configured to run full (non-headless) Chrome or Chromium.

翻譯過來大致是： Puppeteer 是一個 Node.js 庫，提供了高級 API 來控制 Chrome 或 Chromium （通過開發工具協議）； Puppeteer 默認的運行模式是無頭的，但是可以被配置成非無頭的模式。

Loco注：無頭指的是不顯示瀏覽器的GUI，是為了提升性能而設計的，因為渲染圖像是一件很消耗資源的事情。

以下是 Puppeteer 可以做的事情：

• 生成截圖和頁面 PDF ；

• 抓取單頁應用，產生預渲染內容（即 SSR ，服務端渲染）；

• 自動化表單提交、 UI 測試、鍵盤輸入等等；

• 創建一個最新的、自動化的測試環境；

• 捕獲網站的時間線來幫助診斷性能問題；

• 測試 Chrome 插件；

• ...

Puppeteer 安裝

安裝 Puppeteer 并不難，只需要保證你的環境上安裝了 Node.js 以及能夠運行 NPM。

由于官方的安裝教程沒有考慮到已經安裝了 Chromium 的情況，我們這里使用一個第三方庫 puppeteer-chromium-resolver，它能夠自定義化 Puppeteer 以及管理 Chromium 的下載情況。

運行以下命令安裝 Puppeteer：

npm install puppeteer-chromium-resolver --save

puppeteer-chromium-resolver 的詳細用法請參照官網：https://www.npmjs.com/package/puppeteer-chromium-resolver。

Puppeteer 常用命令

Puppeteer 的官方API文檔是 https://pptr.dev/ ，文檔里有詳細的 Puppeteer 的開放接口，可以進行參考，這里我們只列出一些常用的接口命令。

生成/關閉瀏覽器

// 引入puppeteer-chromium-resolver
const PCR = require('puppeteer-chromium-resolver')

// 生成PCR實例
const pcr = await PCR({
    revision: '',
    detectionPath: '',
    folderName: '.chromium-browser-snapshots',
    hosts: ['https://storage.googleapis.com', 'https://npm.taobao.org/mirrors'],
    retry: 3,
    silent: false
})

// 生成瀏覽器
const browser = await pcr.puppeteer.launch({...})

// 關閉瀏覽器
await browser.close()

生成頁面

const page = await browser.newPage()

導航

await page.goto('https://baidu.com')

等待

await page.waitFor(3000)

await page.goto('https://baidu.com')

獲取頁面元素

const el = await page.$(selector)

點擊元素

await el.click()

輸入內容

await el.type(text)

執行Console代碼（重點）

const res = await page.evaluate((arg1, arg2, arg3) => {
    // anything frontend
    return 'frontend awesome'
}, arg1, arg2, arg3)

這應該是 Puppeteer 中最強大的 API 了。任何熟悉前端技術的開發者都應該了解 Chrome 開發者工具中的 Console，任何 JS 的代碼都可以在這里被運行，其中包括點擊事件、獲取元素、增刪改元素等等。我們的自動發文程序將大量用到這個 API 。

可以看到 evaluate 方法可以接受一些參數，并作為回調函數中的參數作用在前端代碼中。這讓我們可以將后端的任何數據注入到前端 DOM 中，例如文章標題和文章內容等等。

另外，回調函數中的返回值可以作為 evaluate 的返回值，賦值給 res，這經常被用作數據抓取。

注意，上面的這些代碼都用了 await 這個關鍵字，這其實是 ES7 中的 async/await 新語法，是 ES6 的 Promise 的語法糖，讓異步代碼更容易閱讀和理解。如果對 async/await 不理解的同學，可以參考這篇文章：https://juejin.im/post/596e142d5188254b532ce2da。

Puppeteer 實戰：在掘金上自動發布文章

常言說：Talk is cheap, show me the code。

下面，我們將用一個自動發文章的例子來展示 Puppeteer 的功能。本文中用來作為示例的平臺是掘金。

為什么選擇掘金呢？這是因為掘金的登錄并不像其他某些網站（例如 CSDN ）要求輸入驗證碼（這會增大復雜度），只要求輸入賬戶名和密碼就可以登錄了。

為了方便新手理解，我們將從爬蟲基本結構開始講解。（限于篇幅考慮，我們將略過瀏覽器和頁面的初始化，只挑重點講解）

基礎結構

為了讓爬蟲顯得不那么亂七八糟，我們將發布文章的各個步驟抽離了出來，形成了一個基類（因為我們可能不止掘金一個平臺要抓取，使用面向對象的思想編寫代碼的話，其他平臺只需要繼承基類就可以了）。

這個爬蟲基類大致的結構如下：

我們不用理解所有的方法，只需要知道我們啟動的入口是 run 這個方法就好了。

所有方法都加上了 async，表示這個方法將返回 Promise，如果需要以同步的形式調用，必須加上 await 這個關鍵字。

run 方法的內容如下：

  async run() {
    // 初始化
    await this.init()

    if (this.task.authType === constants.authType.LOGIN) {
      // 登陸
      await this.login()
    } else {
      // 使用Cookie
      await this.setCookies()
    }

    // 導航至編輯器
    await this.goToEditor()

    // 輸入編輯器內容
    await this.inputEditor()

    // 發布文章
    await this.publish()

    // 關閉瀏覽器
    await this.browser.close()
  }

可以看到，爬蟲將首先初始化，完成一些基礎配置；然后根據任務的驗證類別（authType ）來決定是否采用登錄或 Cookie 的方式來通過網站驗證（本文只考慮登錄驗證的情況）；接下來就是導航至編輯器，然后輸入編輯器內容；接著，發布文章；最后關閉瀏覽器，發布任務完成。

登錄

  async login() {
    logger.info(`logging in... navigating to ${this.urls.login}`)
    await this.page.goto(this.urls.login)
    let errNum = 0
    while (errNum < 10) {
      try {
        await this.page.waitFor(1000)
        const elUsername = await this.page.$(this.loginSel.username)
        const elPassword = await this.page.$(this.loginSel.password)
        const elSubmit = await this.page.$(this.loginSel.submit)
        await elUsername.type(this.platform.username)
        await elPassword.type(this.platform.password)
        await elSubmit.click()
        await this.page.waitFor(3000)
        break
      } catch (e) {
        errNum++
      }
    }

    // 查看是否登陸成功
    this.status.loggedIn = errNum !== 10

    if (this.status.loggedIn) {
      logger.info('Logged in')
    }
  }

掘金的登錄地址是 https://juejin.im/login，我們先將瀏覽器導航至這個地址。

這里我們循環 10 次，嘗試輸入用戶名和密碼，如果 10 次都失敗了，就設置登錄狀態為 false；反之，則設置為 true。

接著，我們用到了 page.$(selector) 和 el.type(text) 這兩個 API ，分別用于獲取元素和輸入內容。而最后的 elSubmit.click() 是提交表單的操作。

編輯文章

這里我們略過了跳轉到文章編輯器的步驟，因為這個很簡單，只需要調用 page.goto(url) 就可以了，后面會貼出源碼地址供大家參考。

輸入編輯器的代碼如下：

  async inputEditor() {
    logger.info(`input editor title and content`)
    // 輸入標題
    await this.page.evaluate(this.inputTitle, this.article, this.editorSel, this.task)
    await this.page.waitFor(3000)

    // 輸入內容
    await this.page.evaluate(this.inputContent, this.article, this.editorSel)
    await this.page.waitFor(3000)

    // 輸入腳注
    await this.page.evaluate(this.inputFooter, this.article, this.editorSel)
    await this.page.waitFor(3000)

    await this.page.waitFor(10000)

    // 后續處理
    await this.afterInputEditor()
  }

首先輸入標題，調用了 page.evaluate 這個前端執行函數，傳入 this.inputTitle 輸入標題這個回調函數，以及其他參數；接著同樣的原理，調用輸入內容回調函數；然后是輸入腳注；最后，調用后續處理函數。

下面我們詳細看看 this.inputTitle 這個函數：

  async inputTitle(article, editorSel, task) {
    const el = document.querySelector(editorSel.title)
    el.focus()
    el.select()
    document.execCommand('delete', false)
    document.execCommand('insertText', false, task.title || article.title)
  }

我們首先通過前端的公開接口 document.querySelector(selector) 獲取標題的元素，為了防止標題有 placeholder，我們用 el.focus()（獲取焦點）、el.select()（全選）、document.execCommand('delete', false)（刪除）來刪除已有的 placeholder。然后我們通過 document.execCommand('insertText', false, text) 來輸入標題內容。

接下來，是輸入內容，代碼如下（它的原理與輸入標題類似）：

  async inputContent(article, editorSel) {
    const el = document.querySelector(editorSel.content)
    el.focus()
    el.select()
    document.execCommand('delete', false)
    document.execCommand('insertText', false, article.content)
  }

有人可能會問，為什么不用 el.type(text) 來輸入內容，反而要大費周章的用 document.execCommand 來實現輸入呢？

這里我們不用前者的原因，是因為它是完全模擬人的敲打鍵盤操作的，這樣會破壞已有的內容格式。而如果用后者的話，可以一次性的將內容輸入進來。

我們在基類 BaseSpider 中預留了一個方法來完成選擇分類、標簽等操作，在繼承后的類 JuejinSpider 中是這樣的：

    async afterInputEditor() {
        // 點擊發布文章
        const elPubBtn = await this.page.$('.publish-popup')
        await elPubBtn.click()
        await this.page.waitFor(5000)

        // 選擇類別
        await this.page.evaluate((task) => {
            document.querySelectorAll('.category-list > .item').forEach(el => {
                if (el.textContent === task.category) {
                    el.click()
                }
            })
        }, this.task)
        await this.page.waitFor(5000)

        // 選擇標簽
        const elTagInput = await this.page.$('.tag-input > input')
        await elTagInput.type(this.task.tag)
        await this.page.waitFor(5000)
        await this.page.evaluate(() => {
            document.querySelector('.suggested-tag-list > .tag:nth-child(1)').click()
        })
        await this.page.waitFor(5000)
    }

發布

發布操作相對來說比較簡單了，只需要點擊發布的那個按鈕就可以了。代碼如下：

  async publish() {
    logger.info(`publishing article`)
    // 發布文章
    const elPub = await this.page.$(this.editorSel.publish)
    await elPub.click()
    await this.page.waitFor(10000)

    // 后續處理
    await this.afterPublish()
  }

this.afterPublish 是用來處理驗證發文狀態和獲取發布 URL 的，這里限于篇幅不詳細介紹了。

介紹了如何使用 Puppeteer 來操作 Chromium 瀏覽器在掘金上發布文章。

很多人用 Puppeteer 來抓取數據，但我們認為這種效率較低，而且開銷較大，不適合大規模抓取。

相反， Puppeteer 更適合做一些自動化的工作，例如操作瀏覽器發布文章、發布帖子、提交表單等等。

Puppeteer 自動化工具很類似 RPA（Robotic Process Automation），都是自動化一些繁瑣的、重復性的工作，只不過后者不僅限于瀏覽器，其范圍（Scope）是基于整個操作系統的，功能更強大，但是開銷也更大。

Puppeteer 作為相對輕量級的自動化工具，很適合用來做一些網頁自動化操作作業。本文介紹的 Puppeteer 實戰內容也是開源一文多發平臺項目 ArtiPub 的一部分，有興趣的同學可以去嘗試一下。

夜幕團隊成立于 2019 年，團隊包括崔慶才、周子淇、陳祥安、唐軼飛、馮威、蔡晉、戴煌金、張冶青和韋世東。

涉獵的編程語言包括但不限于 Python、Rust、C++、Go，領域涵蓋爬蟲、深度學習、服務研發、對象存儲等。團隊非正亦非邪，只做認為對的事情，請大家小心。

上述就是小編為大家分享的Puppeteer怎么用來做爬蟲了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。