前言

最近在研究前端爬虫，刚好看到Puppeteer，就想着分享给大家，于是有了这篇。

爬虫（web crawler/web scraping）

爬虫主要的目标是自动地做些什么事情，包含资料搜集、测试、执行任务…等等，借此提高工作效率。

网路爬虫的主要优势和需求主要体现在以下几个方面：

• 自动化测试(automated testing)
  • 模拟使用者操作、提交表单等
  • 可以为应用程式开发、软体测试和网站管理等提供重要的支援
  • 减少人力成本，建立工作模式(SOP)。
• 资料收集(data collecting)
  • 缩短了手动收集和处理资讯的时间，提升了工作效率
  • 可以对资讯进行解析，并且有结构性的储存，便于后续的使用或分析
• 自动化执行任务(automated tasks)
  • 包含以上内容。

在使用过程中也需要注意尊重网站拥有者的权益，遵守机器人排除协定（Robots Exclusion Protocol）和各种相关法规，避免对被爬取的网站造成不必要的负担或侵犯。

爬虫套件的比较差异

常见的网页爬虫套件这三个套件（Puppeteer、Cheerio 和Selenium）在前端爬虫中扮演不同的角色，各自有其优缺点和特点。

Puppeteer

• 优点：
  • 提供了完整的浏览器控制能力，可模拟使用者的操作浏览器行为，支援JavaScript、html、css 的渲染和交互。
  • 可以用来进行网页自动化能力，包括页面导航、表单填写、截图、PDF 生成等工作。
  • 具有丰富的API 可以直接操作网页上的元素和事件。
  • Puppeteer 是一个由Google 开发的Node.js 库，专门用于Chrome 浏览器的控制和操作。
  • Puppeteer 使用真实的浏览器进行操作，因此能够处理JavaScript 渲染的页面，适用于单页应用程序（SPA）和动态网站的爬取。
  • 可以模拟用户交互，使其在网站上执行各种操作，如点击、滚动等。
• 缺点：
  • 需要较多的系统资源，因为它启动了一个完整的浏览器进程用于模拟了完整的浏览器，。
  • 相对于其他轻量级的爬虫工具，Puppeteer 比较慢且耗时。
  • 如果只是需要解析静态网页内容，可能显得过于庞大。
  • 需要更多的学习成本，因为它使用了一套复杂的API。

Cheerio

• 优点：
  • 非常轻量级，适用于解析静态HTML 内容。
  • 语法简单易懂，使用jquery 风格的API，方便选择、操作和提取dom 元素。
  • 适合处理大量数据，效率较高。
  • Cheerio 是一个基于Node.js 的HTML 解析库，用于解析和操作HTML 文档。它非常适静态网页的爬取，尤其是当你只需要从页面中提取数据而不需要进行交互时。
  • 轻量级且简单易用，适合快速开发小型爬虫。
• 缺点：
  • Cheerio 只能处理静态内容，无法执行JavaScript，因此无法处理需要JavaScript 动态生成的内容。
  • 不支援浏览器渲染，无法模拟浏览器行为。
  • Cheerio 无法处理JavaScript 渲染的页面，因此对于SPA 和动态网站可能不太适用。
  • 不能模拟用户交互，无法执行类似点击和提交表单的操作。

Selenium

• 优点：
  • 跨平台性强，支援多种浏览器（Chrome、Firefox 等）。
  • 可以模拟人工操作，支援JavaScript 执行。
  • 可以用多种语言进行控制，如Python、Java、JavaScript 等。
  • Selenium 是一个跨浏览器的自动化测试工具，可以模拟用户在浏览器中的操作。它支持多种编程语言，并且可以用于爬取需要用户交互的网站。
  • 能够处理JavaScript 渲染的页面，适用于SPA 和动态网站。
• 缺点：
  • 相较于Puppeteer，Selenium 在性能和速度上可能稍微较慢。
  • 安装和配置有一定复杂度，需要下载驱动器以及设定环境变数等。
  • Selenium 需要下载和配置浏览器驱动程序，而且通常比其他两种库更慢，因为它模拟了真实的浏览器行为。
  • 对于简单的静态网页爬取任务，Selenium 可能会显得过于复杂。

结论：

• 如果你需要模拟完整的浏览器行为且操作较多互动性的内容，Puppeteer 和Selenium 可能更适合你。
• 如果你只需要简单地解析静态HTML 页面，Cheerio 是一个轻量级的选择。
• 每个套件都有其独特的优势和限制，根据你的具体需求选择合适的工具。

Puppeteer 介绍

Puppeteer 是由Google 开发的Node.js 函式库，提供方便的API 来进行网页测试、屏幕截图和网页爬虫等应用，但仅限于使用Chromium 浏览器引擎的浏览器，例如：Google Chrome 或Microsoft Edge。

• Chromium 浏览器!== Chrome 浏览器
  • Chromium是一个由Google 主导的开源浏览器项目，它提供了一个开放的、可自由使用的浏览器引擎，供开发人员使用。
  • Chromium 虽然和Chrome 九成像，但它其实是Chrome, Edge 的基础版本。
  • Chromium 提供了Chrome 的基本架构和核心功能，而Chrome 在这个基础上增加功能，成为一个提供给使用者的完整产品。
  • Chromium 就像是汽车引擎，而Chrome 就像是整台汽车
• Puppeteer 的许多用途包括：
  • 产生页面的截图和PDF
  • 爬取SPA（单一页面应用程式）并产生预渲染内容（即"SSR"（伺服器端渲染））
  • UI 自动化测试，模拟表单提交，键盘输入，点击等行为
  • 建立一个最新的自动化测试环境。
    • 使用最新的JavaScript 和最新的Chrome 浏览器执行测试案例
  • 捕获网站的timeline trace（时间轴跟踪），用来帮助分析效能问题
  • 测试Chrome 扩充功能

Puppeteer 预设是以headless（无头）模式运行。headless 模式是指在爬虫过程中不显示浏览器视窗画面，虽然看不到画面但仍然会执行画面的渲染过程，也就是说HTML 的解析、CSS 的套用和JavaScript 都会正常执行，这样才能确保画面内容是正确且完整的。

因为无头模式少了显示结果的处理不会做屏幕绘制，所以相较于有头模式，更能节省资源；但是在开发上有头模式会方便许多，因为浏览器会将渲染好的页面展示出来，包含了：

• 处理用户的交互
• 应用动画效果
• 重新绘制页面元素
• 任何有关图像输出至浏览器的过程…等

无论在无头模式或有头模式下，一定要做关闭浏览器的动作，无头模式虽然看不到浏览器画面，实际上背景仍然会有一个浏览器真的在跑。所以如果爬虫完没有确实地关闭浏览器，那么整个程式就仍然还在运行中，需要手动Ctrl + C 停止执行。在写脚本的时候，一定要记得在结束或是发生错误的地方把浏览器关闭，才能好好地释放资源。

如果希望变更为一般模式，可以藉由设定选项变更为有头模式，如下：

// 一般模式（有頭模式）
const browser = await puppeteer.launch({
  headless: false,
});

// 無頭模式（Puputeer 預設模式）
const browser = await puppeteer.launch({
  headless: 'new',
});

// 關閉瀏覽器
browser.Close()

Puppeteer 安装

Puppeteer 会下载最新版本的Chromium（~170MB Mac，~282MB Linux，~280MB Win），以保证可以使用API。

# 使用 npm
npm i puppeteer
# 使用 yarn
yarn add puppeteer

puppeteer-core

# 使用npm
npm i puppeteer-core
# 使用yarn
yarn add puppeteer-core

自1.7.0 版本以来，官方维护团队都会发布一个puppeteer-core 函式库，是一个的轻量级的Puppeteer 版本，用于启动现有浏览器安装或连接到远程安装。

Puppeteer程式码语法

起手式

const puppeteer = require("puppeteer");

(async () => {
  // 啟動瀏覽器並開啟一個新的空白頁面
  const browser = await puppeteer.launch();
  const page = await browser.newPage();

  // 將頁面導航至 URL
  await page.goto("https://developer.chrome.com/");

	// 關閉
  await page.close();
  await browser.close();
})();

常用语法

const puppeteer = require("puppeteer");

(async () => {
  // 啟動瀏覽器並開啟一個新的空白頁面
  const browser = await puppeteer.launch({
    headless: false,
    defaultViewport: { width: 1400, height: 900 },
  });
  const page = await browser.newPage();

  // 前往指定 URL
  await page.goto("https://developer.chrome.com/");

  // 設定瀏覽器尺寸
  await page.setViewport({ width: 1080, height: 1024 });

  // 在欄位，輸入文字 "js-text"
  await page.type(".devsite-search-field", "js-text");
  // 操控鍵盤 "Enter"
  await page.keyboard.press("Enter");

  // 等待元素，出現在頁面中
  const searchResultSelector = "a.gs-title";
  await page.waitForSelector(searchResultSelector);

  // 點擊元素
  await page.click(searchResultSelector);

  const textSelector = await page.waitForSelector(".devsite-page-title");
  // 在瀏覽器執行 JavaScript，取得元素資訊
  const fullTitle = await textSelector?.evaluate((el) => el.textContent);

  // 取得頁面尺寸資訊
  const dimensions = await page.evaluate(() => {
    return {
      width: document.documentElement.clientWidth,
      height: document.documentElement.clientHeight,
      deviceScaleFactor: window.devicePixelRatio,
    };
  });

  // 列印結果
  console.log('The title of this blog post is "%s".', fullTitle);
  console.log("Dimensions:", dimensions);

  // 畫面截圖
  await page.screenshot({ path: "example.png" });

  await page.goBack(); // 回到上一頁
  await page.goForward(); // 前往下一頁
  await page.reload(); // 重新整理
  await page.close();
  await browser.close();
})();

链接: https://fly63.com/article/detial/12672