Chrome+Puppeteer+Node.js爬取網站的方法

這篇文章將為大家詳細講解有關Chrome+Puppeteer+Node.js爬取網站的方法，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

我們將學到什么？

在本教程中，您將學習如何使用 JavaScript 自動化和清理 web 。要做到這一點，我們將使用 Puppeteer 。Puppeteer是一個允許我們控制無頭Chrome 的 Node 庫 API。Headless Chrome是一種在不真實運行 Chrome 的情況下運行 Chrome 瀏覽器的方法。

【視頻教程推薦：nodejs視頻教程 】

如果這一切都沒有意義，您真正需要知道的是，我們將編寫 JavaScript 代碼，使 Google Chrome 實現自動化。

開始之前

開始之前，您需要在計算機上安裝 Node 8+。您可以在此處進行安裝。確保選擇「當前」版本 8+ 版本。

如果您以前從未使用過 Node 并想學習，請查看：學習 Node JS 3 種最佳在線 Node JS 課程。

安裝完 Node 后，創建一個新的項目文件夾并安裝 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簡單的示例。此示例來自Puppeteer 文檔(進行了少量更改)。我們將通過代碼逐步介紹對您訪問的網站如何截圖。

首先，創建一個名為test.js的文件，然后復制以下代碼：

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例子。

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

需要注意的是，getPic()函數是一個異步函數，并利用了新的ES 2017async/await功能。由于這個函數是異步的，所以當調用時它返回一個Promise。當Async函數最終返回值時，Promise將被解析(如果存在錯誤，則Reject)。

由于我們使用的是async函數，因此我們可以使用await表達式，該表達式將暫停函數執行并等待Promise解析后再繼續。 如果現在所有這些都沒有意義，那也沒關系。隨著我們繼續學習教程，它將變得更加清晰。

現在，我們概述了主函數，讓我們深入了解其內部功能：

• 第4行：

const browser = await puppeteer.launch();

這是我們實際啟動 puppeteer 的地方。實際上，我們正在啟動 Chrome 實例，并將其設置為等于我們新創建的browser變量。由于我們使用了await關鍵字，因此該函數將在此處暫停，直到Promise解析(直到我們成功創建 Chrome 實例或出錯)為止。

• 第5行：

const page = await browser.newPage();

在這里，我們在自動瀏覽器中創建一個新頁面。我們等待新頁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');

使用我們在代碼的最后一行中創建的page，現在可以告訴page導航到URL。在此示例中，導航到 google。我們的代碼將暫停，直到頁面加載完畢。

• 第7行：

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

現在，我們告訴 Puppeteer 截取當前頁面的屏幕。screenshot()方法將自定義的.png屏幕截圖的保存位置的對象作為參數。同樣，我們使用了await關鍵字，因此在執行操作時我們的代碼會暫停。

• 第9行：

await browser.close();

最后，我們到了getPic()函數的結尾，并且關閉了browser。

運行示例

您可以使用 Node 運行上面的示例代碼：

node test.js

這是生成的屏幕截圖：

太棒了！為了增加樂趣(并簡化調試)，我們可以不以無頭方式運行代碼。

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 再次運行：

node test.js

太酷了吧？當我們使用{headless：false}運行時，您可以真實看到 Google Chrome 按照您的代碼工作。

在繼續之前，我們將對這段代碼做最后一件事。還記得我們的屏幕截圖有點偏離中心嗎？那是因為我們的頁面有點小。我們可以通過添加以下代碼行來更改頁面的大小：

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

這個屏幕截圖更好看點：

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-讓我們抓取一些數據

既然您已經了解了 Headless Chrome 和 Puppeteer 的工作原理，那么讓我們看一個更復雜的示例，在該示例中我們事實上可以抓取一些數據。

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, 不僅可以點擊網站，還可以填寫表格，輸入內容和讀取數據。

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

在同一目錄中，創建一個名為scrape.js的文件，并插入以下樣板代碼：

const puppeteer = require('puppeteer');

let scrape = async () => {
  // 實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，在看完第一個示例之后，上面的代碼對您有意義。如果沒有，那沒關系！

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

我們可以通過在scrape函數中添加一行代碼來測試以上代碼。試試看：

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

現在，在控制臺中運行node scrape.js。您應該返回test！完美，我們返回的值正在記錄到控制臺。現在我們可以開始補充我們的scrape函數。

步驟1：設置

我們需要做的第一件事是創建瀏覽器實例，打開一個新頁面，然后導航到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！讓我們逐行學習它：

首先，我們創建瀏覽器，并將headless模式設置為false。這使我們可以準確地觀察發生了什么：

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

然后，我們在瀏覽器中創建一個新頁面：

const page = await browser.newPage();

接下來，我們轉到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。盡管通常沒有必要，但這將確保頁面上的所有內容都加載：

await page.waitFor(1000);

最后，完成所有操作后，我們將關閉瀏覽器并返回結果。

browser.close();
return result;

步驟2：抓取

正如您現在可能已經確定的那樣，Books to Scrape 擁有大量的真實書籍和這些書籍的偽造數據。我們要做的是選擇頁面上的第一本書，然后返回該書的標題和價格。這是要抓取的圖書的主頁。我有興趣點第一本書(下面紅色標記)

查看 Puppeteer API，我們可以找到單擊頁面的方法：

page.click(selector[, options])

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

幸運的是，使用 Google Chrome 開發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。現在，您可以單擊左側的三個點，選擇復制，然后選擇復制選擇器：

太棒了！現在，我們復制了選擇器，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產品圖像并導航到該產品頁面！

在新頁面上，我們對商品名稱和商品價格均感興趣(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置的 DOM 選擇器，例如querySelector()。

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

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

在函數里，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題。右鍵單擊標題，然后選擇檢查：

正如您將在 elements 面板中看到的那樣，標題只是一個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，我們可以通過單擊右鍵檢查元素來選擇價格：

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

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

現在我們有了所需的文本，可以將其返回到一個對象中：

return {
  title,
  price
}

太棒了！我們選擇標題和價格，將其保存到一個對象中，然后將該對象的值返回給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：

return result;

您的最終代碼應如下所示：

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!
});

您可以通過在控制臺中鍵入以下內容來運行 Node 文件：

node scrape.js // { 書名: 'A Light in the Attic', 價格: '￡51.77' }

您應該看到所選圖書的標題和價格返回到屏幕上！您剛剛抓取了網頁！

示例 #3 ——完善它

現在您可能會問自己，當標題和價格都顯示在主頁上時，為什么我們要點擊書？為什么不從那里抓取呢？而在我們嘗試時，為什么不抓緊所有書籍的標題和價格呢？

因為有很多方法可以抓取網站！ (此外，如果我們留在首頁上，我們的標題將被刪掉)。但是，這為您提供了練習新的抓取技能的絕好機會！

挑戰
目標 ——從首頁抓取所有書名和價格，并以數組形式返回。這是我最終的輸出結果：

開始！看看您是否可以自己完成此任務。與我們剛創建的上述程序非常相似，如果卡住，請向下滾動…
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：
此挑戰與上一個示例之間的主要區別是需要遍歷大量結果。您可以按照以下方法設置代碼來做到這一點：

const result = await page.evaluate(() => {
  let data = []; // 創建一個空數組
  let elements = document.querySelectorAll('xxx'); // 選擇全部   
    // 遍歷每一個產品
    // 選擇標題
    // 選擇價格
    data.push({title, price}); // 將數據放到數組里, 返回數據； 
    // 返回數據數組
});

如果您不明白，沒事！這是一個棘手的問題…… 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的抓取技術。如果您想收到通知，請務必 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 = []; // 創建一個空數組, 用來存儲數據
        let elements = document.querySelectorAll('.product_pod'); // 選擇所有產品

        for (var element of elements){ // 遍歷每個產品
            let title = element.childNodes[5].innerText; // 選擇標題
            let price = element.childNodes[7].children[0].innerText; // 選擇價格

            data.push({title, price}); // 將對象放進數組 data 
        }

        return data; // 返回數組 data
    });

    browser.close();
    return result; //  返回數據
};

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

關于Chrome+Puppeteer+Node.js爬取網站的方法就分享到這里了，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。