用Node寫頁面爬蟲的工具集

SP-Lyu發表於2018-10-24
爬蟲

最近做了幾個寫爬蟲的小專案（從頁面端到APP端的都有），在網上搜尋了一番好用的爬蟲工具，做了個工具集整理：

Puppeteer

簡介

Puppeteer是一個Node庫，它提供了一個高階 API 來通過 DevTools協議控制Chromium或Chrome。簡單點說，就是使用Node命令控制一個無需渲染至使用者介面的瀏覽器。
與使用PhantomJS搭配Python進行爬蟲抓取類似，其原理也是去完全地模擬一個瀏覽器進行頁面的渲染，從而抓取其中某些特定的內容。

特性

Puppeteer可以完整地模擬一個瀏覽器的行為，並且可以進行截圖、攔截瀏覽器請求、獲取Cookie、通過Node注入JS程式碼等操作，使用Chrome瀏覽器開發者工具能做到的，Puppeteer也能做到，可以說是騷得一匹（誤
使用起來也十分的簡單，以下是官方的例子：

const puppeteer = require('puppeteer');

(async () => {
  const browser = await puppeteer.launch();
  const page = await browser.newPage();
  await page.goto('https://example.com');
  await page.screenshot({path: 'example.png'});

  await browser.close();
})();
複製程式碼

在GitHub上放了一份自己寫的使用Puppeteer獲取微博cookie的程式碼，歡迎檢視：
github.com/SP-Lyu/pupp…

由於Puppeteer基於Chromium，每次都需要載入頁面再進行頁面分析，效能十分有限，下面提到的cheerio則可以從另一層面解決這個問題。

文件

GitHub
中文API地址

cheerio

cheerio是一個輕型靈活，類jQuery的對HTML元素分析操作的工具。在進行一些server端渲染的頁面以及一些簡單的小頁面的爬取時，cheerio十分好用且高效。

特性

cheerio包括了jQuery的核心子集，意味著可以直接使用jQuery的API進行元素的操控，官方的例子：

const cheerio = require('cheerio')
const $ = cheerio.load('<h2 class="title">Hello world</h2>')

$('h2.title').text('Hello there!')
$('h2').addClass('welcome')

$.html()
//=> <h2 class="title welcome">Hello there!</h2>
複製程式碼

自己寫的獲取某個網站的所有a連結：

const cheerio = require('cheerio');
const get = function(){/*HTTP get請求...*/}
(async ()=>{
    const html = await get(`http://example.com`);
    const $ = cheerio.load(html);
    const $dom_arr = $('a');
    $dom_arr.each((index, elem)=>{
        const url = $(elem).attr('href') || '';
        console.log(url);
    });
})();
複製程式碼

文件

GitHub

Auto.js

國人開發的，使用js編寫程式碼操作Android裝置的自動化工具，對於爬取某些加固措施較好的APP來說十分有用，而且有非常完善的文件以及社群，十分良心。
使用Auto.js進行裝置自動化操作，再通過代理進行請求資料的獲取，能繞開加固中難以破解的加密串。

特性

作為爬蟲工具，好處有：

  1. 採用JavaScript作為指令碼語言開發，JS開發者0成本接入；
  2. 相容性良好，大多數任務不需要root許可權；
  3. 自帶介面分析工具，方便定位需要操作的元素。

從Auto.js載入某個APP，並點選進入某個頻道的例子：

// 宣告環境
auto();
// 裝置常亮
device.keepScreenDim();
// 調起APP
launchApp('頭條');
sleep(10000);
// 找到某個頻道，並點選進入
var rect = text('視訊').findOnce().bounds();
var x = rect.centerX();
var y = rect.centerY();
click(x, y);
// 點選進入詳情，使用代理抓取並處理請求...
...
複製程式碼

文件

GitHub
中文文件
社群

相關文章