站長資訊網(wǎng)
視頻教程推薦：nodejs 教程
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)允許我們控制無頭Chrome 的 Node 庫 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。
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(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 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)簡單的示例。此示例來自Puppeteer 文檔(進(jìn)行了少量更改)。我們將通過代碼逐步介紹對(duì)您訪問的網(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)在所有這些都沒有意義，那也沒關(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?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！為了增加樂趣(并簡化調(diào)試)，我們可以不以無頭方式運(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)槲覀兊捻撁嬗悬c(diǎn)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(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。如果沒有，那沒關(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))。
我們可以通過在scrape函數(shù)中添加一行代碼來測試以上代碼。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)。現(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)新頁面：
const page = await browser.newPage();
接下來，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。盡管通常沒有必要，但這將確保頁面上的所有內(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。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。現(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)品頁面！
在新頁面上，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)h1元素。我們可以使用以下代碼選擇此元素：
let title = document.querySelector('h1');
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('h1').innerText;
同樣，我們可以通過單擊右鍵檢查元素來選擇價(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('h1').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('h1').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(tái)中鍵入以下內(nèi)容來運(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！
示例 #3 ——完善它
現(xiàn)在您可能會(huì)問自己，當(dāng)標(biāo)題和價(jià)格都顯示在主頁上時(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，沒事！這是一個(gè)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(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! });
結(jié)束語：
感謝您的閱讀！
英文原文地址：https://codeburst.io/a-guide-to-automating-scraping-the-web-with-javascript-chrome-puppeteer-node-js-b18efb9e9921
