需求：

• 使用Node.js爬取網(wǎng)頁資源，開箱即用的配置
• 將爬取到的網(wǎng)頁內(nèi)容以PDF格式輸出

如果你是一名技術(shù)人員，那么可以看我接下來的文章，否則，請(qǐng)直接移步到我的github倉庫，直接看文檔使用即可

倉庫地址:附帶文檔和源碼

本需求使用到的技術(shù)：Node.js和puppeteer

• puppeteer 官網(wǎng)地址: puppeteer地址
• Node.js官網(wǎng)地址:鏈接描述
• Puppeteer是谷歌官方出品的一個(gè)通過DevTools協(xié)議控制headless Chrome的Node庫?？梢酝ㄟ^Puppeteer的提供的api直接控制Chrome模擬大部分用戶操作來進(jìn)行UI Test或者作為爬蟲訪問頁面來收集數(shù)據(jù)。
• 環(huán)境和安裝
• Puppeteer本身依賴6.4以上的Node，但是為了異步超級(jí)好用的async/await，推薦使用7.6版本以上的Node。另外headless Chrome本身對(duì)服務(wù)器依賴的庫的版本要求比較高，centos服務(wù)器依賴偏穩(wěn)定，v6很難使用headless Chrome，提升依賴版本可能出現(xiàn)各種服務(wù)器問題（包括且不限于無法使用ssh），最好使用高版本服務(wù)器。（建議使用最新版本的Node.js）

小試牛刀，爬取京東資源

const puppeteer = require('puppeteer'); // 引入依賴 
(async () => { //使用async函數(shù)完美異步 
const browser = await puppeteer.launch(); //打開新的瀏覽器
const page = await browser.newPage(); // 打開新的網(wǎng)頁 
await page.goto('https://www.jd.com/'); //前往里面 'url' 的網(wǎng)頁
const result = await page.evaluate(() => { //這個(gè)result數(shù)組包含所有的圖片src地址
let arr = []; //這個(gè)箭頭函數(shù)內(nèi)部寫處理的邏輯 
const imgs = document.querySelectorAll('img');
imgs.forEach(function (item) {
arr.push(item.src)
})
return arr 
});
// '此時(shí)的result就是得到的爬蟲數(shù)據(jù)，可以通過'fs'模塊保存'
})()

復(fù)制過去 使用命令行命令 ` node 文件名 ` 就可以運(yùn)行獲取爬蟲數(shù)據(jù)了 這個(gè) puppeteer 的包 ，其實(shí)是替我們開啟了另一個(gè)瀏覽器，重新去開啟網(wǎng)頁，獲取它們的數(shù)據(jù)。

• 上面只爬取了京東首頁的圖片內(nèi)容，假設(shè)我的需求進(jìn)一步擴(kuò)大，需要爬取京東首頁中的所有<a> 標(biāo)簽對(duì)應(yīng)的跳轉(zhuǎn)網(wǎng)頁中的所有 title的文字內(nèi)容，最后放到一個(gè)數(shù)組中。
• 我們的async函數(shù)上面一共分了五步， 只有 puppeteer.launch() ,browser.newPage(), browser.close() 是固定的寫法。
• page.goto 指定我們?nèi)ツ膫€(gè)網(wǎng)頁爬取數(shù)據(jù)，可以更換內(nèi)部url地址，也可以多次調(diào)用這個(gè)方法。
• page.evaluate 這個(gè)函數(shù)，內(nèi)部是處理我們進(jìn)入想要爬取網(wǎng)頁的數(shù)據(jù)邏輯
• page.goto和page.evaluate兩個(gè)方法，可以在async內(nèi)部調(diào)用多次，那意味著我們可以先進(jìn)入京東網(wǎng)頁，處理邏輯后，再次調(diào)用page.goto這個(gè)函數(shù)

注意，上面這一切邏輯，都是puppeteer這個(gè)包幫我們?cè)诳床灰姷牡胤介_啟了另外一個(gè)瀏覽器，然后處理邏輯，所以最終要調(diào)用browser.close()方法關(guān)閉那個(gè)瀏覽器。

這時(shí)候我們對(duì)上一篇的代碼進(jìn)行優(yōu)化，爬取對(duì)應(yīng)的資源。

const puppeteer = require('puppeteer');
(async () => {
const browser = await puppeteer.launch();
const page = await browser.newPage();
await page.goto('https://www.jd.com/');
const hrefArr = await page.evaluate(() => {
let arr = [];
const aNodes = document.querySelectorAll('.cate_menu_lk');
aNodes.forEach(function (item) {
arr.push(item.href)
})
return arr
});
let arr = [];
for (let i = 0; i < hrefArr.length; i++) {
const url = hrefArr[i];
console.log(url) //這里可以打印 
await page.goto(url);
const result = await page.evaluate(() => { //這個(gè)方法內(nèi)部console.log無效 
return $('title').text(); //返回每個(gè)界面的title文字內(nèi)容
});
arr.push(result) //每次循環(huán)給數(shù)組中添加對(duì)應(yīng)的值
}
console.log(arr) //得到對(duì)應(yīng)的數(shù)據(jù) 可以通過Node.js的 fs 模塊保存到本地
await browser.close()
})()

上面有天坑 page.evaluate函數(shù)內(nèi)部的console.log不能打印，而且內(nèi)部不能獲取外部的變量,只能return返回，
使用的選擇器必須先去對(duì)應(yīng)界面的控制臺(tái)實(shí)驗(yàn)過能不能選擇DOM再使用，比如京東無法使用querySelector。這里由于
京東的分界面都使用了jQuery，所以我們可以用jQuery，總之他們開發(fā)能用的選擇器，我們都可以用，否則就不可以。

接下來我們直接來爬取Node.js的官網(wǎng)首頁然后直接生成PDF

無論您是否了解Node.js和puppeteer的爬蟲的人員都可以操作，請(qǐng)您一定萬分仔細(xì)閱讀本文檔并按順序執(zhí)行每一步

本項(xiàng)目實(shí)現(xiàn)需求：給我們一個(gè)網(wǎng)頁地址，爬取他的網(wǎng)頁內(nèi)容，然后輸出成我們想要的PDF格式文檔，請(qǐng)注意，是高質(zhì)量的PDF文檔

• 第一步，安裝Node.js ,推薦http://nodejs.cn/download/，Node.js的中文官網(wǎng)下載對(duì)應(yīng)的操作系統(tǒng)包
  
• 第二步，在下載安裝完了Node.js后， 啟動(dòng)windows命令行工具(windows下啟動(dòng)系統(tǒng)搜索功能，輸入cmd，回車，就出來了)
  
• 第三步 需要查看環(huán)境變量是否已經(jīng)自動(dòng)配置,在命令行工具中輸入 node -v，如果出現(xiàn) v10. ***字段，則說明成功安裝Node.js
  
• 第四步 如果您在第三步發(fā)現(xiàn)輸入node -v還是沒有出現(xiàn) 對(duì)應(yīng)的字段，那么請(qǐng)您重啟電腦即可
  
• 第五步 打開本項(xiàng)目文件夾，打開命令行工具（windows系統(tǒng)中直接在文件的url地址欄輸入cmd就可以打開了），輸入 npm i cnpm nodemon -g
  
• 第六步 下載puppeteer爬蟲包，在完成第五步后，使用cnpm i puppeteer --save 命令 即可下載
  
• 第七步 完成第六步下載后，打開本項(xiàng)目的url.js，將您需要爬蟲爬取的網(wǎng)頁地址替換上去(默認(rèn)是http://nodejs.cn/)
  
• 第八步 在命令行中輸入 nodemon index.js 即可爬取對(duì)應(yīng)的內(nèi)容，并且自動(dòng)輸出到當(dāng)前文件夾下面的index.pdf文件中

TIPS: 本項(xiàng)目設(shè)計(jì)思想就是一個(gè)網(wǎng)頁一個(gè)PDF文件，所以每次爬取一個(gè)單獨(dú)頁面后，請(qǐng)把index.pdf拷貝出去，然后繼續(xù)更換url地址，繼續(xù)爬取，生成新的PDF文件，當(dāng)然，您也可以通過循環(huán)編譯等方式去一次性爬取多個(gè)網(wǎng)頁生成多個(gè)PDF文件。

對(duì)應(yīng)像京東首頁這樣的開啟了圖片懶加載的網(wǎng)頁，爬取到的部分內(nèi)容是loading狀態(tài)的內(nèi)容，對(duì)于有一些反爬蟲機(jī)制的網(wǎng)頁，爬蟲也會(huì)出現(xiàn)問題，但是絕大多數(shù)網(wǎng)站都是可以的

const puppeteer = require('puppeteer');
const url = require('./url');
(async () => {
const browser = await puppeteer.launch({ headless: true })
const page = await browser.newPage()
//選擇要打開的網(wǎng)頁 
await page.goto(url, { waitUntil: 'networkidle0' })
//選擇你要輸出的那個(gè)PDF文件路徑，把爬取到的內(nèi)容輸出到PDF中，必須是存在的PDF，可以是空內(nèi)容，如果不是空的內(nèi)容PDF，那么會(huì)覆蓋內(nèi)容
let pdfFilePath = './index.pdf';
//根據(jù)你的配置選項(xiàng)，我們這里選擇A4紙的規(guī)格輸出PDF，方便打印
await page.pdf({
path: pdfFilePath,
format: 'A4',
scale: 1,
printBackground: true,
landscape: false,
displayHeaderFooter: false
});
await browser.close()
})()

文件解構(gòu)設(shè)計(jì)

數(shù)據(jù)在這個(gè)時(shí)代非常珍貴，按照網(wǎng)頁的設(shè)計(jì)邏輯，選定特定的href的地址，可以先直接獲取對(duì)應(yīng)的資源，也可以通過再次使用 page.goto方法進(jìn)入，再調(diào)用 page.evaluate() 處理邏輯，或者輸出對(duì)應(yīng)的PDF文件，當(dāng)然也可以一口氣輸出多個(gè)PDF文件~

這里就不做過多介紹了，畢竟 Node.js 是可以上天的，或許未來它真的什么都能做。這么優(yōu)質(zhì)簡(jiǎn)短的教程，請(qǐng)收藏
或者轉(zhuǎn)發(fā)給您的朋友，謝謝。

以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評(píng)論