puppeteer初探

puppeteer 是一個Chrome官方出品的headless Chrome node庫。它提供了一系列的API, 可以在無UI的情況下呼叫Chrome的功能, 適用於爬蟲、自動化處理等各種場景

根據官網上描述，puppeteer 具有以下作用:

生成頁面截圖和 PDF
自動化表單提交、UI 測試、鍵盤輸入等
建立一個最新的自動化測試環境。使用最新的 JavaScript 和瀏覽器功能，可以直接在最新版本的 Chrome 中執行測試。
捕獲站點的時間線跟蹤，以幫助診斷效能問題。
爬取 SPA 頁面並進行預渲染(即'SSR')

以下就來闡述 puppeteer 的這幾個作用

1.初始化專案

注: 這裡我們會使用到 es6/7 的新特性，所以用 typescript 來編譯程式碼

npm install puppeteer typescript @types/puppeteer
複製程式碼

tsconfig.json 配置如下:

{
  "compileOnSave": true,
  "compilerOptions": {
    "target": "es5",
    "lib": [
      "es6", "dom"
    ],
    "types": [
      "node"
    ],
    "outDir": "./dist/",
    "sourceMap": true,
    "module": "commonjs",
    "watch": true,
    "moduleResolution": "node",
    "isolatedModules": false,
    "experimentalDecorators": true,
    "declaration": true,
    "suppressImplicitAnyIndexErrors": true
  },
  "include": [
    "./examples/**/*",
  ]
}
複製程式碼

puppeteer 模組提供一個方法啟動一個 Chromium 例項。

import * as puppeteer from 'puppeteer'

(async () => {
  await puppeteer.launch()
})()
複製程式碼

上述程式碼通過 puppeteer 的 launch 方法生成一個 browser 例項，launch 方法可以接收一些配置項。較為常用的有:

headless [boolean]: 是否以 headless 模式啟動瀏覽器
slowMo [number]: 減緩 puppeteer 的操作。這樣就很方便的可以看到正在發生的事情
args[Array[string]]: 要傳給瀏覽器例項的額外引數

2.生成頁面截圖

這裡我們以 example.com/為例

(async () => {
  const browser = await puppeteer.launch(); //生成browser例項
  const page = await browser.newPage();     //解析一個新的頁面。頁面是在預設瀏覽器上下文建立的
  await page.goto("https://example.com/");  //跳轉到 https://example.com/
  await page.screenshot({                   //生成圖片
    path: 'example.png'
  })
})()
複製程式碼

在這裡需要注意的是，截圖預設擷取的是開啟網頁可視區的內容,如果要獲取完整的可滾動頁面的螢幕截圖,需要新增 fullPage: true

執行node dist/screenshot.js，即可在根目錄下生成 example.png

puppeteer 預設將頁面大小設定為 800*600,可以通過page.setViewport()來改變頁面大小。

不僅如此，puppeteer 還可以模擬手機

import * as puppeteer from "puppeteer";
import * as devices from "puppeteer/DeviceDescriptors";
const iPhone = devices["iPhone 6"];

(async () => {
  const browser = await puppeteer.launch({
    headless: false
  });
  const page = await browser.newPage();
  await page.emulate(iPhone);
  await page.goto("https://baidu.com/");
  await browser.close();
})();
複製程式碼

3.生成 pdf

(async () => {
  const browser = await puppeteer.launch();
  const page = await browser.newPage();
  await page.goto("https://example.com/");
  await page.pdf({
    displayHeaderFooter: true,
    path: 'example.pdf',
    format: 'A4',
    headerTemplate: '<b style="font-size: 30px">Hello world<b/>',
    footerTemplate: '<b style="font-size: 30px">Some text</b>',
    margin: {
      top: "100px",
      bottom: "200px",
      right: "30px",
      left: "30px",
    }
  });
  await browser.close();
})()
複製程式碼

執行 node dist/pdf.js 即可。

4.自動化表單提交, 輸入

在這裡我們模擬一下github的登入, 為了能更好的看到整個過程, 我們使用 headless: false 來關閉 headless 模式,看一下整個的登入流程

(async () => {
  const browser = await puppeteer.launch({
    headless: false
  });
  const page = await browser.newPage();
  await page.goto("https://github.com/login");
  await page.waitFor(1000)   //延遲1秒輸入
  await page.type("#login_field", "賬號"); //立即輸入
  await page.type("#password", "密碼", {
    delay: 100
  }) //模擬使用者輸入
  await page.click("input[type=submit]"); //點選登入按鈕
})()
複製程式碼

執行node dist/login.js

5.站點時間線追蹤

可以很方便的使用 tracking.start 和 tracking.stop 建立一個可以在 chrome devtools 開啟的跟蹤檔案

(async () => {
  const broswer = await puppeteer.launch();
  const page = await broswer.newPage();
  await page.tracing.start({
    path: "trace.json"
  });
  await page.goto("https://example.com/");
  await page.tracing.stop();
  broswer.close();
})();
複製程式碼

執行 node dist/trace.js 會生成一個 trace.json 檔案, 然後我們開啟 chrome devtools -> Performance, 然後把該檔案直接拖進去即可。該功能便於我們對網站進行效能分析, 進而優化效能

6.爬蟲和 SSR

現在大多數開發用 react、vue、angular 來構建 SPA 網站, SPA 固有很多的優點, 比方開發速度快、模組化、元件化、效能優等。但其缺點還是很明顯的, 首先就是首屏渲染問題, 其次不利於 SEO, 對爬蟲不友好。

以 preview.pro.ant.design/#/dashboard… 為例, 我們點選右鍵, 檢視原始碼, 發現其 body 裡面只有 <div id="root"></div>，假如想把門店銷售額排名情況給爬下來，存到資料庫進行資料分析(如下圖)

此時我們以傳統爬蟲的方式去爬的話是拿不到網頁內容的。

如 python

# -*- coding : UTF-8 -*-
from bs4 import BeautifulSoup
import urllib2


def spider():
    html = urllib2.urlopen('https://preview.pro.ant.design/#')
    html = html.read()
    soup = BeautifulSoup(html, 'lxml')
    print(soup.prettify())


if __name__ == '__main__':
    spider()
複製程式碼

執行 python py/index.py, 得到的結果如下圖:

body 裡面並沒有頁面相關的 dom,因此我們想通過 python 去爬取 SPA 頁面的內容是不可行的。

nodejs

import axios from "axios";

(async () => {
  const res = await axios.get("https://preview.pro.ant.design/#");
  console.log(res.data);
})();
複製程式碼

執行node dist/node-spider.js, 得到和上面例子一樣的結果。

puppeteer

(async () => {
  const browser = await puppeteer.launch();
  const page = await browser.newPage();
  await page.goto("https://preview.pro.ant.design/#");
  console.log(await page.content());
})();
複製程式碼

執行node dist/spider.js, 得到如下:

此時我們可以驚奇的發現可以抓到頁面所有的 dom 節點了。此時我們可以把它儲存下來做 SSR，也可以爬取我們想要的內容了。

(async () => {
  const browser = await puppeteer.launch();
  const page = await browser.newPage();
  await page.goto("https://preview.pro.ant.design/#");
  const RANK = ".rankingList___11Ilg li";
  await page.waitForSelector(RANK);
  const res = await page.evaluate(() => {
    const getText = (v, selector) => {
      return v.querySelector(selector) && v.querySelector(selector).innerText;
    };
    const salesRank = Array.from(
      document.querySelectorAll(".rankingList___11Ilg li")
    );
    const data = [];
    salesRank.map(v => {
      const obj = {
        rank: getText(v, "span:nth-child(1)"),
        address: getText(v, "span:nth-child(2)"),
        sales: getText(v, "span:nth-child(3)")
      };
      data.push(obj);
    });
    return {
      data
    };
  });
  console.log(res);
  await browser.close();
})();
複製程式碼