使用Node.js爬取任意网页资源并输出高质量PDF文件到本地

更新日期: 2019-06-16阅读: 2.7k标签: 爬虫

本文适合无论是否有爬虫以及 Node.js 基础的朋友观看~

需求:

Node.js
PDF

如果你是一名技术人员,那么可以看我接下来的文章,否则,请直接移步到我的 github 仓库,直接看文档使用即可,仓库地址: 附带文档和源码 ,别忘了给个 star 哦

本需求使用到的技术: Node.js 和 puppeteer

  • puppeteer 官网地址: puppeteer地址
  • Node.js 官网地址: 链接描述
  • Puppeteer 是谷歌官方出品的一个通过 DevTools 协议控制 headless Chrome 的 Node 库。可以通过Puppeteer的提供的api直接控制Chrome模拟大部分用户操作来进行UI Test或者作为爬虫访问页面来收集数据
  • 环境和安装
  • Puppeteer 本身依赖6.4以上的Node,但是为了异步超级好用的 async/await ,推荐使用7.6版本以上的Node。另外headless Chrome本身对服务器依赖的库的版本要求比较高,centos服务器依赖偏稳定,v6很难使用headless Chrome,提升依赖版本可能出现各种服务器问题(包括且不限于无法使用ssh),最好使用高版本服务器。(建议使用最新版本的 Node.js )


小试牛刀,爬取京东资源

const puppeteer = require('puppeteer'); //  引入依赖  
(async () => {   //使用async函数完美异步 
    const browser = await puppeteer.launch();  //打开新的浏览器
    const page = await browser.newPage();   // 打开新的网页 
    await page.goto('https://www.jd.com/');  //前往里面 'url' 的网页
    const result = await page.evaluate(() => {   //这个result数组包含所有的图片src地址
        let arr = []; //这个箭头函数内部写处理的逻辑  
        const imgs = document.querySelectorAll('img');
        imgs.forEach(function (item) {
            arr.push(item.src)
        })
        return arr 
    });
    // '此时的result就是得到的爬虫数据,可以通过'fs'模块保存'
})()
//复制过去 使用命令行命令 ` node 文件名 ` 就可以运行获取爬虫数据了,这个 puppeteer 的包 ,其实是替我们开启了另一个浏览器,重新去开启网页,获取它们的数据。

上面只爬取了京东首页的图片内容,假设我的需求进一步扩大,需要爬取京东首页中的所有 <a> 标签对应的跳转网页中的所有 title的文字内容,最后放到一个数组中 。

我们的 async 函数上面一共分了五步, 只有 puppeteer.launch() ,browser.newPage() , browser.close() 是固定的写法。page.goto 指定我们去哪个网页爬取数据,可以更换内部url地址,也可以多次调用这个方法。

page.evaluate 这个函数,内部是处理我们进入想要爬取网页的数据逻辑

page.goto 和 page.evaluate 两个方法,可以在 async 内部调用多次,那意味着我们可以先进入京东网页,处理逻辑后,再次调用 page.goto 这个函数,

注意,上面这一切逻辑,都是 puppeteer 这个包帮我们在看不见的地方开启了另外一个浏览器,然后处理逻辑,所以最终要调用 browser.close() 方法关闭那个浏览器。

这时候我们对上一篇的代码进行优化,爬取对应的资源。

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) //这里可以打印 
        await page.goto(url);
        const result = await page.evaluate(() => { //这个方法内部console.log无效 
            
              return  $('title').text();  //返回每个界面的title文字内容
        });
        arr.push(result)  //每次循环给数组中添加对应的值
    }
    console.log(arr)  //得到对应的数据  可以通过Node.js的 fs 模块保存到本地
    await browser.close()
})()

上面有天坑 page.evaluate函数内部的console.log不能打印,而且内部不能获取外部的变量,只能return返回,使用的选择器必须先去对应界面的控制台实验过能不能选择dom再使用,比如京东无法使用querySelector。这里由于

京东的分界面都使用了jquery,所以我们可以用jQuery,总之他们开发能用的选择器,我们都可以用,否则就不可以。


接下来我们直接来爬取 Node.js 的官网首页然后直接生成 PDF

const puppeteer = require('puppeteer');
const url = require('./url');
(async () => {
    const browser = await puppeteer.launch({ headless: true })
    const page = await browser.newPage()
    //选择要打开的网页  
    await page.goto(url, { waitUntil: 'networkidle0' })
    //选择你要输出的那个PDF文件路径,把爬取到的内容输出到PDF中,必须是存在的PDF,可以是空内容,如果不是空的内容PDF,那么会覆盖内容
    let pdfFilePath = './index.pdf';
    //根据你的配置选项,我们这里选择A4纸的规格输出PDF,方便打印
    await page.pdf({
        path: pdfFilePath,
        format: 'A4',
        scale: 1,
        printBackground: true,
        landscape: false,
        displayHeaderFooter: false
    });
    await browser.close()
})()

文件解构设计


无论您是否了解Node.js和puppeteer的爬虫的人员都可以操作,请您一定万分仔细阅读本文档并按顺序执行每一步

本项目实现需求:给我们一个网页地址,爬取他的网页内容,然后输出成我们想要的PDF格式文档,请注意,是高质量的PDF文档

  • 第一步,安装 Node.js ,推荐 http://nodejs.cn/download/ , Node.js 的中文官网下载对应的操作系统包
  • 第二步,在下载安装完了 Node.js 后, 启动 windows 命令行工具(windows下启动系统搜索功能,输入cmd,回车,就出来了)
  • 第三步 需要查看环境变量是否已经自动配置,在命令行工具中输入 node -v ,如果出现 v10. *** 字段,则说明成功安装 Node.js
  • 第四步 如果您在第三步发现输入 node -v 还是没有出现 对应的字段,那么请您重启电脑即可
  • 第五步 打开本项目文件夹,打开命令行工具(windows系统中直接在文件的 url 地址栏输入 cmd 就可以打开了),输入 npm i cnpm nodemon -g
  • 第六步 下载 puppeteer 爬虫包,在完成第五步后,使用 cnpm i puppeteer --save 命令 即可下载
  • 第七步 完成第六步下载后,打开本项目的 url.js ,将您需要爬虫爬取的网页地址替换上去(默认是 http://nodejs.cn/ )
  • 第八步 在命令行中输入 nodemon index.js 即可爬取对应的内容,并且自动输出到当前文件夹下面的 index.pdf 文件中
TIPS : 本项目设计思想就是一个网页一个 PDF 文件,所以每次爬取一个单独页面后,请把 index.pdf 拷贝出去,然后继续更换 url 地址,继续爬取,生成新的 PDF 文件

对应像京东首页这样的开启了图片懒加载的网页,爬取到的部分内容是 loading 状态的内容,对于有一些反爬虫机制的网页,爬虫也会出现问题,但是绝大多数网站都是可以的

数据在这个时代非常珍贵,按照网页的设计逻辑,选定特定的 href 的地址,可以先直接获取对应的资源,也可以通过再次使用 page.goto 方法进入,再调用 page.evaluate() 处理逻辑,或者输出对应的 PDF 文件,当然也可以一口气输出多个 PDF 文件~

这里就不做过多介绍了,毕竟 Node.js 是可以上天的,或许未来它真的什么都能做。这么优质简短的教程,请收藏,或者转发给您的朋友,谢谢。

原文 https://segmentfault.com/a/1190000019485560

链接: https://fly63.com/article/detial/3731

web爬虫抓取技术的门道,对于网络爬虫技术的攻与防

从爬虫的攻防角度来讲,最简单的爬虫,是几乎所有服务端、客户端编程语言都支持的http请求,只要向目标页面的url发起一个http get请求,即可获得到浏览器加载这个页面时的完整html文档,这被我们称之为“同步页”。

大话爬虫的实践技巧

数据收集的一种是方式是通过上报API进行自身平台用户交互情况的捕获,还有一种手段是通过开发爬虫程序,爬取竞品平台的数据,后面就重点说下爬虫的应用场景和实践中会遇到的问题和反反爬虫的一些套路与技巧。

网络爬虫_基于各种语言的开源网络爬虫总汇

网络爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。是互联网爬虫,蜘蛛,数据采集器,网页解析器的汇总,下面介绍各语言实现网络爬虫的开源框架

爬虫最终杀手锏 --- PhantomJS 详解(附案例)

PhantomJS无界面的浏览器:认识PhantomJS、网站模拟登录豆瓣网、动态页面模拟点击(unittest -python测试模块)、执行JavaScript代码、模拟最新无界面浏览器...

什么是网络爬虫,网络爬虫有什么用?

网络爬虫在数据采集方面有好的优势,比如采集速度快,比人来操作可能要快一千倍一万倍都不止;方便将获取的数据进行相关的清洗加工以及储存工作;代码可重复使用,或者说是一劳永逸。

爬虫解决网页重定向问题

每个网站主页是网站资源的入口,当重定向发生在网站主页时,如果不能正确处理就很有可能会错失这整个网站的内容。 笔者编写的爬虫在爬取网页时遇到了三种重定向的情况。

爬虫 解决网页ip限制的问题的八种方法

之前由于公司项目需要,采集过google地图数据,还有一些大型网站数据。 有小部分网站的防范措施比较弱,可以伪装下IP,修改X-Forwarded-for(貌似这么拼。。。)即可绕过。ser agent 伪装和轮换 ,使用代理 ip 和轮换

到百度云加速,网页内容爬不到的快速解决

在爬网站时,发现网站做了百度云加速,每次访问首页时要求输入验证码,才能打开网站首页。经过分析网站,发现如果你拿到一个当期可用的Cooikes后,你就可以一直爬数据,且并不会触发百度验证输入

反爬经验与理论基础

完整的反爬体系有三大部分工作要做:感知识别、策略分析、监控封禁。数据支撑:爬虫指纹、设备指纹、风险UA、IP库等,不同端指纹的mapping等。

node.js主从分布式爬虫

node.js是一款基于google的V8引擎开发javascript运行环境。在高性能的V8引擎以及事件驱动的单线程异步非阻塞运行模型的支持下,node.js实现的web服务可以在没有Nginx的http服务器做反向代理的情况下实现很高的业务并发量。

点击更多...

内容以共享、参考、研究为目的,不存在任何商业目的。其版权属原作者所有,如有侵权或违规,请与小编联系!情况属实本人将予以删除!