内容简介：利用空闲时间，学习了下puppeteer爬虫，我也想爬取下网上的资源正在努力学习中，若对你的学习有帮助，留下你的印记呗（点个赞咯^_^）
利用空闲时间，学习了下puppeteer爬虫，我也想爬取下网上的资源
1.部分api
- puppeteer.launch(options)
| 参数名称 | 参数类型 | 参数说明 |
|---|---|---|
| ignoreHTTPSErrors | boolean | 在请求的过程中是否忽略 Https 报错信息，默认为 false |
| headless | boolean | 是否以“无头”的模式运行chrome，也就是不显示UI，默认为true |
| executablePath | string | 可执行文件的路径，Puppeteer 默认是使用它自带的 chrome webdriver, 如果你想指定一个自己的 webdriver 路径，可以通过这个参数设置 |
| slowMo | number | 使 Puppeteer 操作减速，单位是毫秒。如果你想看看 Puppeteer 的整个工作过程，这个参数将非常有用 |
| args | Array(String) | 传递给 chrome 实例的其他参数，比如你可以设置浏览器窗口大小 具体参数 |
| timeout | number | 等待chrome实例启动的最长时间，默认是3000ms，如果传入0，则不限制时间 |
| dumpio | boolean | 是否将浏览器锦程stdout和stderr导入到process.stdout和process.stderr中，默认为false |
| userDataDir | string | 设置用户数据目录，默认 linux 是在~/.config目录，window 默认在 C:Users{USER}AppDataLocalGoogleChromeUser Data, 其中 {USER} 代表当前登录的用户名 |
| env | Object | 指定对chromium可见的环境变量，默认为process.env |
| devtools | boolean | 是否为每个选项卡自动打开DevTools面板，这个选项只有当headless设置为false的时候有效 |
- browser对象 api
| 方法名 | 说明 |
|---|---|
| browser.close() | 返回一个promise对象，用于关闭浏览器 |
| browser.newPage() | 返回一个promise对象，创建一个page实例 |
- page对象
| 方法名 | 说明 |
|---|---|
| page.goto(url[, options]) | 返回一个promise对象，url是目标链接 |
| page.waitForSelector() | 等待某个选择器的元素加载之后，这个元素可以是异步加载的 |
| page.evaluate(pageFunction[,args]) | 返回一个可序列化的普通对象，pageFunction 表示要在页面执行的函数， args 表示传入给 pageFunction 的参数 |
2.爬取电影网站
const puppeteer = require('puppeteer');
/* 爬虫的目标链接地址: 豆瓣电影 */
const url = `https://movie.douban.com/tag/#/?sort=R&range=0,10&tags=`;
const sleep = time => new Promise(resolve => {
setTimeout(resolve, time);
});
(async () => {
console.log('crawler start to visit the target address');
/* dumpio 是否将浏览器进程stdout和stderr导入到process.stdout和process.stderr中 */
const browser = await puppeteer.launch({
args: ['--no-sandbox'],
dumpio: false
});
const page = await browser.newPage();
await page.goto(url, {
waitUntil: 'networkidle2'
});
await sleep(3000);
await page.waitForSelector('.more');
for(let i = 0; i < 1; i++) {
await sleep(3000);
await page.click('.more');
}
const result = await page.evaluate(() => {
let $ = window.$;
let nodeItems = $('.list-wp a');
let links = [];
/* 获取对应的元素节点 */
if(nodeItems.length >= 1) {
nodeItems.each((index, item) => {
let elem = $(item);
let movieId = elem.find('div').data('id');
let title = elem.find('.title').text();
let rate = Number(elem.find('.rate').text());
let poster = elem.find('img').attr('src').replace('s_ratio_poster','l_ratio_poster');
links.push({
movieId,
title,
rate,
poster,
})
})
}
return links;
});
browser.close();
console.log(result)
})();
3.爬取网站内容生成pdf文件
const puppeteer = require('puppeteer');
const url = 'https://cn.vuejs.org/v2/guide/';
(async () => {
const browser = await puppeteer.launch();
const page = await browser.newPage();
await page.goto(url, { waitUntil: 'networkidle0' });
/* 选择你要输出的那个PDF文件路径，把爬取到的内容输出到PDF中，必须是存在的PDF，可以是空内容，如果不是空的内容PDF，那么会覆盖内容 */
let pdfFilePath = './index.pdf';
/* 根据你的配置选项，我们这里选择A4纸的规格输出PDF，方便打印 */
await page.pdf({
path: pdfFilePath,
format: 'A4',
scale: 1,
printBackground: true,
landscape: false,
displayHeaderFooter: false
});
browser.close();
})()
正在努力学习中，若对你的学习有帮助，留下你的印记呗（点个赞咯^_^）
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
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。
