如何用 Node.Js
和 Puppeteer
爬取网页
原文:How To Scrap That Web Page With Node.Js And Puppeteer
作者:Francesco Napoletano 发表时间:2018/8/17
译者:陈 昌茂 发表时间:2018/8/20
(转载请注明出处)
如果你像我一样,有时非常急切地想要抓去某个网页,得到可读格式的数据,或仅是需要这些数据用做其他目的。
我庄严发誓,我在干坏事。(非译者)
我在多次尝试以后(如: Guzzle
和 BeautifulSoup
等),终于找到了最优组合方案:
- Node.js( 译者注:采用谷歌V8引擎开发的在服务器端运行JavaScript代码的跨平台运行环境 )
- Puppeteer( 译者注:木偶人,是谷歌浏览器的一个子项目,源代码托管在 GitHub )
- 用于全天侯跑脚本的一个黑莓派(译者注:貌似和正文无关)
Puppeteer
是一个 Node
代码库,基于 DevTools
协议,提供高级 API 自动化控制谷歌Chrome
或 Chromium
浏览器。Puppeteer
默认以无界面方式运行,但也可以设置为有界面方式运行谷歌Chrome
或 Chromium
浏览器。
这意味着什么? 你可以在你的服务中运用一个谷歌Chrome
浏览器实例。是不是很酷~
下面我们一起来看下如何做。
设置运行环境
照例是打开终端,建立项目文件夹,在刚创建的文件夹运行命令 npm init
。
命令执行后,文件夹中生成一个 package.json
的文件。执行命令 npm i -S puppeteer
安装 Puppeteer
.
小小的警告:安装
Puppeteer
过程中会下载完整版的谷歌Chromium
浏览器到node_modules
目录。
不用担心。自从 1.7.0
版后,谷歌发布了新的 puppeteer-core
安装包,默认不再自动下载谷歌Chromium
浏览器。
如果你想尝鲜,执行命令 npm i -S puppeteer-core
即可。
puppeteer-core
是Puppeteer
的轻量级版本,复用本地已安装的浏览器,或者连接到远程浏览器。
运行环境准备好了,开干!
直接上代码,知其然
在项目文件夹新建 index.js
文件,复制下述代码并粘贴到 index.js
文件中。
const puppeteer = require('puppeteer');
const URL = 'https://coding.napolux.com';
puppeteer.launch({ headless: true, args: ['--no-sandbox', '--disable-setuid-sandbox'] }).then(async browser => {
const page = await browser.newPage();
await page.setViewport({width: 320, height: 600})
await page.setUserAgent('Mozilla/5.0 (iPhone; CPU iPhone OS 9_0_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13A404 Safari/601.1')
await page.goto(URL, {waitUntil: 'networkidle0'});
await page.waitForSelector('body.blog');
await page.addScriptTag({url: 'https://code.jquery.com/jquery-3.2.1.min.js'})
const result = await page.evaluate(() => {
try {
var data = [];
$('h3.loop__post-title').each(function() {
const url = $(this).find('a').attr('href');
const title = $(this).find('a').attr('title')
data.push({
'title' : title,
'url' : url
});
});
return data; // 返回数组
} catch(err) {
reject(err.toString());
}
});
// 关闭浏览器
await browser.close();
// 记录播客标题
for(var i = 0; i < result.length; i++) {
console.log('Post: ' + result[i].title + ' URL: ' + result[i].url);
}
process.exit();
}).catch(function(error) {
console.error('No way Paco!');
process.exit();
});
这些代码实现了网站爬取功能。项目完整代码托管在 GitHub。
深挖一点点,知其所以然
上述代码会爬取我的博客站点中所有帖子的标题和链接。我们修改用户代理(UA)把爬取过程模拟成是一台老的 iPhone 手机在浏览。
为便于爬取工作,我们把 jQuery
注入到网页中,这样就可以方便地使用 CSS 选择器了。
我们逐行看一下代码:
- 第1-2行:调用
Puppeteer
模块,设置将要爬取的网站地址。 - 第4行:执行
Puppeteer
。请记住,我们正在异步王国
,所有的操作均是异步的,否则就是同步操作,需等待操作结束再执行下一行代码。如你所见,配置参数不言自明,我们的脚本是在无界面方式的谷歌Chromium
浏览器中运行的。 - 第5-10行:浏览器启动,打开网页,设置网页按手机屏幕尺寸显示,设置浏览器使用伪造的UA。等待页面加载,直到 CSS 选择器
body.blog
出现。 - 第11行:如上所述,把
jQuery
注入到网页中。 - 第13-28行:我们使用
jQuery
魔法,抽取我们需要的数据。 - 第31-37行:关闭浏览器。打印数据。
在项目文件夹执行命令 node index.js
,你将看到如下内容输出:
Post: Blah blah 1? URL: https://coding.napolux.com/blah1/
Post: Blah blah 2? URL: https://coding.napolux.com/blah2/
Post: Blah blah 3? URL: https://coding.napolux.com/blah3/
(执行命令 node index.js
,译者看到如下内容输出)
Post: How to scrap that web page with Node.js and puppeteer URL: https://coding.napolux.com/how-to-scrap-web-page-nodejs-puppeteer/
Post: How to find ideas for beer money? URL: https://coding.napolux.com/how-to-find-ideas-for-beer-money/
Post: This is the kind of automation I like! URL: https://coding.napolux.com/this-is-the-kind-of-automation-i-like/
Post: Some tips from when you work from home URL: https://coding.napolux.com/some-tips-from-when-you-work-from-home/
Post: How to find a cofounder for your startup URL: https://coding.napolux.com/how-to-find-a-cofounder-for-your-startup/
Post: Software Industry VS anything else URL: https://coding.napolux.com/software-industry-vs-anything-else/
Post: Some of my GitHub repositories URL: https://coding.napolux.com/some-of-my-github-repositories/
Post: How to use Docker for easy and fast WordPress development URL: https://coding.napolux.com/how-to-use-docker-for-wordpress-development/
文章摘要说明
欢迎来到爬虫世界。比你预想的简单,对不对?网页爬取是一个有争议的事情,请记住只爬取获得授权的网站。
可以爬取你的网站吗?作为网站的主人,我没有授权你这么做。
给你留个作业练手:如何爬取使用了 AJAX
的网页!😉