Puppeteer之爬虫入门

译者按： 本文通过简单的例子介绍如何使用 Puppeteer 来爬取网页数据，特别是用谷歌开发者工具获取元素选择器值得学习。

本文采用意译，版权归原作者所有

我们将会学到什么？

在这篇文章，你讲会学到如何使用 JavaScript 自动化抓取网页里面感兴趣的内容。我们将会使用 Puppeteer，Puppeteer是一个 Node 库，提供接口来控制 headless Chrome。Headless Chrome是一种不使用 Chrome 来运行 Chrome 浏览器的方式。

如果你不知道 Puppeteer，也不了解 headless Chrome，那么你只要知道我们将要编写 JavaScript 代码来自动化控制 Chrome 就行。

你需要安装版本 8 以上的 Node，你可以在这里找到安装方法。确保选择Current版本，因为它是 8+。

当你将 Node 安装好以后，创建一个新的文件夹，将 Puppeteer 安装在该文件夹下。

npm install –save puppeteer

例 1：截屏

当你把 Puppeteer 安装好了以后，我们来尝试第一个简单的例子。这个例子来自于 Puppeteer 文档（稍微改动）。我们编写的代码将会把你要访问的网页截屏并保存为 png 文件。

首先，创建一个test.js文件，并编写如下代码。

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();

我们来一行一行理解一下代码的含义。

• 第 1 行：引入我们需要的库 Puppeteer；
• 第 3-10 行：主函数getPic()包含了所有的自动化代码；
• 第 12 行：调用getPic()函数。

这里需要提醒注意getPic()函数是一个async函数，使用了 ES 2017 async/await特性。该函数是一个异步函数，会返回一个Promise。如果async最终顺利返回值，Promise则可以顺利reslove，得到结果；否则将会reject一个错误。

因为我们使用了async函数，我们使用await来暂停函数的执行，直到Promise返回。

接下来我们深入理解一下getPic()：

• const broswer = await puppeteer.launch();
  

  这行代码启动 puppeteer，我们实际上启动了一个 Chrome 实例，并且和我们声明的browser变量绑定起来。因为我们使用了await关键字，该函数会暂停直到Promise完全被解析。也就是说成功创建 Chrome 实例或则报错。

• const page = await browser.newPage();
  

  我们在浏览器中创建一个新的页面，通过使用 await 关键字来等待页面成功创建。

• await page.goto("https://google.com");
  

  使用page.goto()打开谷歌首页。

• await page.screenshot({ path: "google.png" });
  

  调用screenshot()函数将当前页面截屏。

• await browser.close();
  

  将浏览器关闭。

使用Node执行：

node test.js

下面截取的图片google.png：

现在我们来使用 non-headless 模式试试。将第 4 行代码改为：

const browser = await puppeteer.launch({ headless: false });

然后运行试试。你会发现谷歌浏览器打开了，并且导航到了谷歌搜索页面。但是截屏没有居中，我们可以调节一下页面的大小配置。

await page.setViewport({ width: 1000, height: 500 });

截屏的效果会更加漂亮。

下面是最终版本的代码：

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();

例 2：爬取数据

首先，了解一下 Puppeteer 的API。文档提供了非常丰富的方法不仅支持在网页上点击，而且可以填写表单，读取数据。

接下来我们会爬取Books to Scrape，这是一个伪造的网上书店专门用来练习爬取数据。

在当前目录下，我们创建一个scrape.js文件，输入如下代码：

const puppeteer = require("puppeteer");

let scrape = async () => {
    // 爬取数据的代码
    // 返回数据
};

scrape().then(value => {
    console.log(value); // 成功！
});

第一步：基本配置

我们首先创建一个浏览器实例，打开一个新页面，并且导航到要爬取数据的页面。

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;
};

注意其中有一行代码让浏览器延时关闭。这行代码本来是不需要的，主要是方便查看页面是否完全加载。

await page.waitFor(1000);

第二步：抓取数据

我们接下来要选择页面上的第一本书，然后获取它的标题和价格。

查看 Puppeteer API，可以找到定义点击的函数：

page.click(selector[, options])

• selector一个选择器来指定要点击的元素。如果多个元素满足，那么默认选择第一个。

幸运的是，谷歌开发者工具提供一个可以快速找到选择器元素的方法。在图片上方右击，选择检查(Inspect)选项。

谷歌开发者工具的Elements界面会打开，并且选定部分对应的代码会高亮。右击左侧的三个点，选择拷贝(Copy)，然后选择拷贝选择器(Copy selector)。

接下来将拷贝的选择器插入到函数中。

await page.click(
    "#default > div > div > div > div > section > div:nth-child(2) > ol > li:nth-child(1) > article > div.image_container > a > img"
);

加入了点击事件的代码执行后会直接跳转到详细介绍这本书的页面。而我们则关心它的标题和价格部分。

为了获取它们，我们首选需要使用page.evaluate()函数。该函数可以让我们使用内置的 DOM 选择器，比如querySelector()。

const result = await page.evaluate(() => {
    // return something
});

然后，我们使用类似的手段获取标题的选择器。

使用如下代码可以获取该元素：

let title = document.querySelector("h1");

但是，我们真正想要的是里面的文本文字。因此，通过.innerText来获取。

let title = document.querySelector("h1").innerText;

价格也可以用相同的方法获取。

let price = document.querySelector(".price_color").innerText;

最终，将它们一起返回，完整代码如下：

const result = await page.evaluate(() => {
    let title = document.querySelector("h1").innerText;
    let price = document.querySelector(".price_color").innerText;
    return {
        title,
        price
    };
});

所有的代码整合到一起，如下：

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 > div > div > div > div > section > div:nth-child(2) > ol > li:nth-child(1) > article > div.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); // Success!
});

运行node scrape.js即可返回数据

{ title: 'A Light in the Attic', price: '£51.77' }

例 3：进一步优化

从主页获取所有书籍的标题和价格，然后将它们返回。

和例 2 的区别在于我们需要用一个循环来获取所有书籍的信息。

const result = await page.evaluate(() => {
    let data = []; // Create an empty array
    let elements = document.querySelectorAll("xxx"); // 获取所有书籍元素
    // 循环处理每一个元素
    // 获取标题
    // 获取价格
    data.push({ title, price }); // 将结果存入数组
    return data; // 返回数据
});

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 = []; // 初始化空数组来存储数据
        let elements = document.querySelectorAll(".product_pod"); // 获取所有书籍元素

for (var element of elements) {
            // 循环
            let title = element.childNodes[5].innerText; // 获取标题
            let price = element.childNodes[7].children[0].innerText; // 获取价格

data.push({ title, price }); // 存入数组
        }

return data; // 返回数据
    });

browser.close();
    return result;
};

scrape().then(value => {
    console.log(value); // Success!
});