内容简介:原文:作者:译者:
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 )
- A little Raspberry Pi where my scripts can run all day long.
- 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
把下述代码复制保存到项目文件夹的 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; // Return our data array } catch(err) { reject(err.toString()); } }); // let's close the browser await browser.close(); // ok, let's log blog titles... 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(); }); 复制代码
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/ 复制代码
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 。
给你留个作业吧:如何爬取使用了 AJAX
的网页!:wink:
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 防止网页被其他网页iframe嵌套的思考与实现
- 响应式网页设计–css设置网页字体大小自适应
- R网页采集:解决网页分页与网址超链接问题
- 网页制作用什么软件?制作网页的常用软件工具分享
- 如何写优美的网页
- MFC网页分析程序
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。