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！😉
