Puppeteer使用示例详解

技术  /  管理员 发布于 7年前   270

PhantomJS曾经是无头浏览器里的王者，测试、爬虫等都在使用，随着GoogleChrome Headless的出现，PhantomJS的作者已经明确表示不在更新，而GoogleChrome Headless将会是未来爬虫的趋势，而测试将依然会使用Webdriver那套方案，GoogleChrome Headless可以利用WebDriver调用，也可以使用其集成的API――Puppeteer（操纵木偶的人），他的功能和他的名字一样强大，可以随意操控Chrome或Chromeium，缺点就是只有node的API,来看看他的图标：

Puppeteer是基于DevTools协议来控制headless Chrome的Node库，依赖6.4以上版本的node，本人是在接触这个软件时才开始学习node，依然感觉到它的异步async/await超级强大，在Puppeteer中也大量使用异步来完成任务。

Puppeteer的安装可以使用node的包管理工具npm来安装：

npm i puppeteer

这里安装时会自动安装Chromeium，如果不需要则可以通过配置npm跳过下载，做为一名爬虫工程师我不会去讨论测试相关的使用，接下来看看如何使用，和WebDriver类似，首先需要实例化brower，代码如下：

const puppeteer = require('puppeteer');(async () => { ​ const browser = await puppeteer.launch();  const page = await browser.newPage();  await page.goto('http://www.baidu.com');  await browser.close(); })();

这段代码执行结束时，你可能什么也没有感觉到，因为它在后台启动了一个Chromeium进程，打开了百度首页，接着就关闭了，当然我们可以在前台打开Chromeium，这里就需要配置一下，所配置参数只需传入launch()即可，常用参数如下：

headless:  是否打开浏览器，默认为true

ignoreHTTPSErrors: 是否忽略https错误，默认为true

executablePath:  配置要调用浏览器的可执行路径，默认是同Puppeteer一起安装的Chromeium

slowMo：指定的毫秒延缓Puppeteer的操作

args：设置浏览器的相关参数，比如是否启动沙箱模式“--no-sandbox”，是否更换代理“--proxy-server”，具体参数请点此查看

使用示例如下：

const browser = await puppeteer.launch({headless:false, args: ["--no-sandbox",]}) //打开浏览器

打开新的窗口：

const page = await browser.newPage();

设置窗口大小

await page.setViewport({ width: 1920, height: 1080})

过滤不需要的请求：

await page.setRequestInterception(true);page.on('request', interceptedRequest => { if (interceptedRequest.url().endsWith('.png') || interceptedRequest.url().endsWith('.jpg'))  interceptedRequest.abort(); else  interceptedRequest.continue();});

为浏览器设置userAgent：

await page.setUserAgent("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299")

设置cookie，

const data = { name: "smidB2",  domain: ".csdn.net",  value: "201806051502283cf43902aa8991a248f9c605204f92530032f23ef22c16270"}await page.setCookie(data)

示例中只是演示，真实的cookie是一个列表形式的，需要循环添加才可以

for(let data of cookies){ await page.setCookie(data)}

请求url：

const url = "http://www.baidu.com"await page.goto(url, { waitUntil: "networkidle2" });

设置页面等待时间：

await page.waitFor(1000); // 单位是毫秒

等待页面某个元素加载完成

await page.waitForSelector("input[class='usrname']")

点击某个元素

await page.click("input[class='submit']")

利用page.evaluate()函数拖动鼠标至页面底部，原理就是在页面注入js代码。

let scrollEnable = false;let scrollStep = 500; //每次滚动的步长while (scrollEnable) {scrollEnable = await page.evaluate((scrollStep) => {let scrollTop = document.scrollingElement.scrollTop;document.scrollingElement.scrollTop = scrollTop + scrollStep;return document.body.clientHeight > scrollTop + 1080 ? true : false}, scrollStep);await page.waitFor(600)}

获取html信息

const frame = await page.mainFrame()const bodyHandle = await frame.$('html');const html = await frame.evaluate(body => body.innerHTML, bodyHandle);await bodyHandle.dispose(); //销毁 console.log(html)  

这是爬虫能用到的大致操作，以下是爬取豆瓣热门电影的基本信息和评分的代码，写这个程序时对node也是一知半解，如有不对，欢迎留言

basePupp.js

const puppeteer = require("puppeteer")class BasePuppeteer{ puppConfig(){  const config = {   headless: false  }  return config } async openBrower(setting){  const browser = puppeteer.launch(setting)  return browser } async openPage(browser){  const page = await browser.newPage()  return page } async closeBrower(browser){  await browser.close() } async closePage(page){  await page.close() }}const pupp = new BasePuppeteer()module.exports = pupp

douban.js

const pupp = require("./basePupp.js")const cheerio = require("cheerio")const mongo = require("mongodb")const assert = require("assert")const MongoClient = mongo.MongoClientconst Urls = "mongodb://10.4.251.129:27017/douban"MongoClient.connect(Urls, function (err, db) { if (err) throw err;  console.log('数据库已创建'); var dbase = db.db("runoob"); dbase.createCollection('detail', function (err, res) {  if (err) throw err;  console.log("创建集合!");  db.close(); });});async function getList(){ const brower = await pupp.openBrower() const page = await pupp.openPage( brower) const url = "https://movie.douban.com/explore#!type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0" await page.goto(url); while(true){           // 循环点击, 直到获取不到该元素  try{   await page.waitFor(1000);    await page.waitForSelector('a[class=more]'); // 等待元素加载完成，超时时间30000ms   await page.click("a[class=more]")   // break  }catch(err){   console.log(err)   console.log("stop click !!!")   break  } }  await page.waitFor(1000);        // 等待页面一秒 const links = await page.evaluate(() => {    // 获取电影详情url  let movies = [...document.querySelectorAll('.list a[class=item]')];  return movies.map((movie) =>{   return {    href: movie.href.trim(),   }  }); }); console.log(links.length) for (var i = 0; i < links.length; i++) {  const a = links[i];  await page.waitFor(2000);   await getDetail(brower, a.href)  // break } await pupp.closePage(page) await pupp.closeBrower(brower) }async function getDetail(brower, url){ const page = await pupp.openPage(brower) await page.goto(url); await page.waitFor(1000);  try{  await page.click(".more-actor", {delay: 20}) }catch(err){  console.log(err) } const frame = await page.mainFrame() const bodyHandle = await frame.$('html'); const html = await frame.evaluate(body => body.innerHTML, bodyHandle); await bodyHandle.dispose();      // 销毁       const $ = cheerio.load(html) const title = $("h1 span").text().trim() const rating_num = $(".rating_num").text().trim() const data = {} data["title"] = title data["rating_num"] = rating_num let info = $("#info").text() const keyword = ["director", "screenplay", "lead", "type", "website", "location", "language", "playdate", "playtime", "byname", "imdb"] if (info.indexOf("www.") > 0){  info = info.replace(/https:\/\/|http:\/\//g, "").replace(/\t/g," ").replace(/\r/g, " ").split(":")  for(var i = 1; i < info.length; i++){   data[keyword[i-1]] = info[i].split(/\n/g)[0].replace(/ \/ /g, ",").trim()  } }else{  info = info.replace(/\t/g," ").replace(/\r/g, " ").split(":")  keyword.splice(4,1)  for(var i = 1; i < info.length-1; i++){   data[keyword[i-1]] = info[i].split(/\n/g)[0].replace(/ \/ /g, ",").trim()  }  data["website"] = "" } // console.log(data) MongoClient.connect(Urls,function(err,db){       //获取连接  assert.equal(null,err);           //使用断言模块代替以前的 if判断  var dbo = db.db("douban");  dbo.collection("detail").insert(data, function(err,result){  //连接到数据库上面，并使用参数传入集合   assert.equal(null,err);   console.log(result);   db.close();  }); }); await pupp.closePage(page)}getList()

以上的代码完成了对豆瓣热门电影的全部抓取，有以下几个步骤：

1， 循环点击加载更多，直到没有此元素可操作而抛出异常

2，加载完全部热门电影列表时解析出每个电影详情页的url并逐一请求

3， 解析详情页的所需数据，

4，对所抓取数据进行入库，这里使用MongoDB

入库后的数据如下所示：

对以上的浏览器实例化做了优化，写成了单例模式

config.js

module.exports = { browserOptions:{ headless: false, // args: ['--no-sandbox', '--proxy-server=http://proxy:[email protected]:8995'], args: ['--no-sandbox'], }};

brower.js

const puppeteer = require("puppeteer");const config = require('./config');//const deasync = require('deasync');const BROWSER_KEY = Symbol.for('browser');const BROWSER_STATUS_KEY = Symbol.for('browser_status');launch(config.browserOptions)wait4Lunch();/** * 启动并获取浏览器实例 * @param {*} options * param options is puppeteer.launch function's options */function launch(options = {}) { if (!global[BROWSER_STATUS_KEY]) { global[BROWSER_STATUS_KEY] = 'lunching'; puppeteer.launch(options)  .then((browser) => {  global[BROWSER_KEY] = browser;  global[BROWSER_STATUS_KEY] = 'lunched';  })  .catch((err) => {  global[BROWSER_STATUS_KEY] = 'error';  throw err;  }); }}function wait4Lunch(){ while (!global[BROWSER_KEY] && global[BROWSER_STATUS_KEY] == 'lunching') { // wait for lunch deasync.runLoopOnce(); }}module.exports = global[BROWSER_KEY];

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。