Puppeteer使用示例详解

phantomjs曾经是无头浏览器里的王者，测试、爬虫等都在使用，随着googlechrome headless的出现，phantomjs的作者已经明确表示不在更新，而googlechrome headless将会是未来爬虫的趋势，而测试将依然会使用webdriver那套方案，googlechrome headless可以利用webdriver调用，也可以使用其集成的api——puppeteer（操纵木偶的人），他的功能和他的名字一样强大，可以随意操控chrome或chromeium，缺点就是只有node的api,来看看他的图标：

puppeteer是基于devtools协议来控制headless chrome的node库，依赖6.4以上版本的node，本人是在接触这个软件时才开始学习node，依然感觉到它的异步async/await超级强大，在puppeteer中也大量使用异步来完成任务。

puppeteer的安装可以使用node的包管理工具npm来安装：

npm i puppeteer

这里安装时会自动安装chromeium，如果不需要则可以通过配置npm跳过下载，做为一名爬虫工程师我不会去讨论测试相关的使用，接下来看看如何使用，和webdriver类似，首先需要实例化brower，代码如下：

const puppeteer = require('puppeteer');

(async () => { ​
 const browser = await puppeteer.launch();
 const page = await browser.newpage();
 await page.goto('http://www.baidu.com');
 await browser.close();
})();

这段代码执行结束时，你可能什么也没有感觉到，因为它在后台启动了一个chromeium进程，打开了百度首页，接着就关闭了，当然我们可以在前台打开chromeium，这里就需要配置一下，所配置参数只需传入launch()即可，常用参数如下：

headless:  是否打开浏览器，默认为true

ignorehttpserrors: 是否忽略https错误，默认为true

executablepath:  配置要调用浏览器的可执行路径，默认是同puppeteer一起安装的chromeium

slowmo：指定的毫秒延缓puppeteer的操作

args：设置浏览器的相关参数，比如是否启动沙箱模式“--no-sandbox”，是否更换代理“--proxy-server”，具体参数请点此查看

使用示例如下：

const browser = await puppeteer.launch({headless:false, args: ["--no-sandbox",]}) //打开浏览器

打开新的窗口：

const page = await browser.newpage();

设置窗口大小

await page.setviewport({
 width: 1920,
 height: 1080
})

过滤不需要的请求：

await page.setrequestinterception(true);
page.on('request', interceptedrequest => {
 if (interceptedrequest.url().endswith('.png') || interceptedrequest.url().endswith('.jpg'))
  interceptedrequest.abort();
 else
  interceptedrequest.continue();
});

为浏览器设置useragent：

await page.setuseragent("mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/58.0.3029.110 safari/537.36 edge/16.16299")

设置cookie，

const data = {
 name: "smidb2",
 domain: ".csdn.net",
 value: "201806051502283cf43902aa8991a248f9c605204f92530032f23ef22c16270"
}
await page.setcookie(data)

示例中只是演示，真实的cookie是一个列表形式的，需要循环添加才可以

for(let data of cookies){
 await page.setcookie(data)
}

请求url：

const url = "http://www.baidu.com"
await page.goto(url, { waituntil: "networkidle2" });

设置页面等待时间：

await page.waitfor(1000); // 单位是毫秒

等待页面某个元素加载完成

await page.waitforselector("input[class='usrname']")

点击某个元素

await page.click("input[class='submit']")

利用page.evaluate()函数拖动鼠标至页面底部，原理就是在页面注入js代码。

let scrollenable = false;
let scrollstep = 500; //每次滚动的步长
while (scrollenable) {
    scrollenable = await page.evaluate((scrollstep) => {
        let scrolltop = document.scrollingelement.scrolltop;
        document.scrollingelement.scrolltop = scrolltop + scrollstep;
        return document.body.clientheight > scrolltop + 1080 ? true : false
    }, scrollstep);
    await page.waitfor(600)
}

获取html信息

const frame = await page.mainframe()
const bodyhandle = await frame.$('html');
const html = await frame.evaluate(body => body.innerhtml, bodyhandle);
await bodyhandle.dispose(); //销毁
console.log(html)

这是爬虫能用到的大致操作，以下是爬取豆瓣热门电影的基本信息和评分的代码，写这个程序时对node也是一知半解，如有不对，欢迎留言

basepupp.js

const puppeteer = require("puppeteer")

class basepuppeteer{
 puppconfig(){
  const config = {
   headless: false
  }
  return config
 }
 async openbrower(setting){
  const browser = puppeteer.launch(setting)
  return browser
 }
 async openpage(browser){
  const page = await browser.newpage()
  return page
 }
 async closebrower(browser){
  await browser.close()
 }
 async closepage(page){
  await page.close()
 }
}

const pupp = new basepuppeteer()
module.exports = pupp

douban.js

const pupp = require("./basepupp.js")
const cheerio = require("cheerio")
const mongo = require("mongodb")
const assert = require("assert")

const mongoclient = mongo.mongoclient
const urls = "mongodb://10.4.251.129:27017/douban"

mongoclient.connect(urls, function (err, db) {
 if (err) throw err;
  console.log('数据库已创建');
 var dbase = db.db("runoob");
 dbase.createcollection('detail', function (err, res) {
  if (err) throw err;
  console.log("创建集合!");
  db.close();
 });
});

async function getlist(){
 const brower = await pupp.openbrower()
 const page = await pupp.openpage( brower)
 const url = "https://movie.douban.com/explore#!type=movie&tag=%e7%83%ad%e9%97%a8&sort=recommend&page_limit=20&page_start=0"
 await page.goto(url);
 while(true){           // 循环点击, 直到获取不到该元素
  try{
   await page.waitfor(1000);
   await page.waitforselector('a[class=more]'); // 等待元素加载完成，超时时间30000ms
   await page.click("a[class=more]")
   // break
  }catch(err){
   console.log(err)
   console.log("stop click !!!")
   break
  }
 }
 await page.waitfor(1000);        // 等待页面一秒
 const links = await page.evaluate(() => {    // 获取电影详情url
  let movies = [...document.queryselectorall('.list a[class=item]')];
  return movies.map((movie) =>{
   return {
    href: movie.href.trim(),
   }
  });
 });
 console.log(links.length)
 for (var i = 0; i < links.length; i++) {
  const a = links[i];
  await page.waitfor(2000);
  await getdetail(brower, a.href)
  // break
 }
 await pupp.closepage(page)
 await pupp.closebrower(brower)

}

async function getdetail(brower, url){
 const page = await pupp.openpage(brower)
 await page.goto(url);
 await page.waitfor(1000);
 try{
  await page.click(".more-actor", {delay: 20})
 }catch(err){
  console.log(err)
 }
 const frame = await page.mainframe()
 const bodyhandle = await frame.$('html');
 const html = await frame.evaluate(body => body.innerhtml, bodyhandle);
 await bodyhandle.dispose();      // 销毁
 const $ = cheerio.load(html)
 const title = $("h1 span").text().trim()
 const rating_num = $(".rating_num").text().trim()
 const data = {}
 data["title"] = title
 data["rating_num"] = rating_num
 let info = $("#info").text()
 const keyword = ["director", "screenplay", "lead", "type", "website", "location", "language", "playdate", "playtime", "byname", "imdb"]
 if (info.indexof("www.") > 0){
  info = info.replace(/https:\/\/|http:\/\//g, "").replace(/\t/g," ").replace(/\r/g, " ").split(":")
  for(var i = 1; i < info.length; i++){
   data[keyword[i-1]] = info[i].split(/\n/g)[0].replace(/ \/ /g, ",").trim()
  }

 }else{
  info = info.replace(/\t/g," ").replace(/\r/g, " ").split(":")
  keyword.splice(4,1)
  for(var i = 1; i < info.length-1; i++){
   data[keyword[i-1]] = info[i].split(/\n/g)[0].replace(/ \/ /g, ",").trim()
  }
  data["website"] = ""
 }
 // console.log(data)
 mongoclient.connect(urls,function(err,db){       //获取连接
  assert.equal(null,err);           //使用断言模块代替以前的 if判断
  var dbo = db.db("douban");
  dbo.collection("detail").insert(data, function(err,result){  //连接到数据库上面，并使用参数传入集合
   assert.equal(null,err);
   console.log(result);
   db.close();
  });
 });
 await pupp.closepage(page)
}

getlist()

以上的代码完成了对豆瓣热门电影的全部抓取，有以下几个步骤：

1， 循环点击加载更多，直到没有此元素可操作而抛出异常

2，加载完全部热门电影列表时解析出每个电影详情页的url并逐一请求

3， 解析详情页的所需数据，

4，对所抓取数据进行入库，这里使用mongodb

入库后的数据如下所示：

对以上的浏览器实例化做了优化，写成了单例模式

config.js

module.exports = {
 browseroptions:{
 headless: false,
 // args: ['--no-sandbox', '--proxy-server=http://proxy:[e-mail]:8995'],
 args: ['--no-sandbox'],
 }
};

brower.js

const puppeteer = require("puppeteer");
const config = require('./config');//
const deasync = require('deasync');
const browser_key = symbol.for('browser');
const browser_status_key = symbol.for('browser_status');

launch(config.browseroptions)
wait4lunch();

/**
 * 启动并获取浏览器实例
 * @param {*} options
 * param options is puppeteer.launch function's options
 */
function launch(options = {}) {
 if (!global[browser_status_key]) {
 global[browser_status_key] = 'lunching';
 puppeteer.launch(options)
  .then((browser) => {
  global[browser_key] = browser;
  global[browser_status_key] = 'lunched';
  })
  .catch((err) => {
  global[browser_status_key] = 'error';
  throw err;
  });
 }
}

function wait4lunch(){
 while (!global[browser_key] && global[browser_status_key] == 'lunching') {
 // wait for lunch
 deasync.runlooponce();
 }
}
module.exports = global[browser_key];

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服务器之家。

原文链接：https://blog.csdn.net/tilyp/article/details/80674559