puppeteer的介绍以及初步应用

出现的背景

Chrome59(linux、macos)、 Chrome60(windows)之后，Chrome自带headless(无界面)模式很方便做自动化测试或者爬虫。但是如何和headless模式的Chrome交互则是一个问题。通过启动Chrome时的命令行参数仅能实现简易的启动时初始化操作。Selenium、Webdriver等是一种解决方案，但是往往依赖众多，不够扁平。

image

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。

Puppeteer因为是一个npm的包，所以安装很简单：

npm i puppeteer
因为需要安装headless Chrome
使用npm安装是安装不了的需要翻墙
所以这里建议使用cnpm(淘宝镜像)
cnpm i puppeteer

使用和例子

Puppeteer类似其他框架，通过操作Browser实例来操作浏览器作出相应的反应。

const puppeteer = require('puppeteer');

(async () => {
    const browser = await puppeteer.launch();
    const page = await browser.newPage();
    await page.goto('https://www.baidu.com/');
    await page.screenshot({path: 'example.png'}); //保存png图片
    await page.pdf({path: 'example.pdf', format: 'A4'});  //保存 pdf文件
    await browser.close(); //关闭窗口
})();

上述代码通过puppeteer的launch方法生成了一个browser的实例，对应于浏览器，launch方法可以传入配置项，比较有用的是在本地调试时传入{headless:false}可以关闭headless模式。

const browser = await puppeteer.launch({headless:false})

browser.newPage方法可以打开一个新选项卡并返回选项卡的实例page，通过page上的各种方法可以对页面进行常用操作。上述代码就进行了截屏和打印pdf的操作。

一个很强大的方法是page.evaluate(pageFunction, ...args)，可以向页面注入我们的函数，这样就有了无限可能

const puppeteer = require('puppeteer');

(async () => {
  const browser = await puppeteer.launch();
  const page = await browser.newPage();
  await page.goto('http://baidu.com');

  // Get the "viewport" of the page, as reported by the page.
  const dimensions = await page.evaluate(() => {
    return {
      width: document.documentElement.clientWidth,
      height: document.documentElement.clientHeight,
      deviceScaleFactor: window.devicePixelRatio
    };
  });

  console.log('Dimensions:', dimensions);
  await browser.close();
})();

需要注意的是evaluate方法中是无法直接使用外部的变量的，需要作为参数传入，想要获得执行的结果也需要return出来。因为是一个开源一个多月的项目，现在项目很活跃，所以使用时自行查找api才能保证参数、使用方法不会错。

调试技巧

关掉无界面模式，有时查看浏览器显示的内容是很有用的。使用以下命令可以启动完整版浏览器：

const browser = await puppeteer.launch({headless: false})

减慢速度，slowMo选项以指定的毫秒减慢Puppeteer的操作。这是另一个看到发生了什么的方法：

const browser = await puppeteer.launch({
  headless:false,
  slowMo:250
});

3.捕获console的输出,通过监听console事件。在page.evaluate里调试代码时这也很方便：

page.on('console', msg => console.log('PAGE LOG:', ...msg.args));
await page.evaluate(() => console.log(`url is ${location.href}`));

4.启动详细日志记录，所有公共API调用和内部协议流量都将通过puppeteer命名空间下的debug模块进行记录

 # Basic verbose logging
 env DEBUG="puppeteer:*" node script.js

 # Debug output can be enabled/disabled by namespace
 env DEBUG="puppeteer:*,-puppeteer:protocol" node script.js # everything BUT protocol messages
 env DEBUG="puppeteer:session" node script.js # protocol session messages (protocol messages to targets)
 env DEBUG="puppeteer:mouse,puppeteer:keyboard" node script.js # only Mouse and Keyboard API calls

 # Protocol traffic can be rather noisy. This example filters out all Network domain messages
 env DEBUG="puppeteer:*" env DEBUG_COLORS=true node script.js 2>&1 | grep -v '"Network'

爬虫实践

很多网页通过user-agent来判断设备，可以通过page.emulate(options)来进行模拟。options有两个配置项，一个为userAgent，另一个为viewport可以设置宽度(width)、高度(height)、屏幕缩放(deviceScaleFactor)、是否是移动端(isMobile)、有无touch事件(hasTouch)。

const puppeteer = require('puppeteer');
const devices = require('puppeteer/DeviceDescriptors');
const iPhone = devices['iPhone 6'];

puppeteer.launch().then(async browser => {
  const page = await browser.newPage();
  await page.emulate(iPhone);
  await page.goto('https://www.example.com');
  // other actions...
  await browser.close();
});

上述代码则模拟了iPhone6访问某网站，其中devices是puppeteer内置的一些常见设备的模拟参数。

很多网页需要登录，有两种解决方案：

1、让puppeteer去输入账号密码
常用方法：点击可以使用page.click(selector[, options])方法，也可以选择聚焦page.focus(selector)。
输入可以使用page.type(selector, text[, options])输入指定的字符串，还可以在options中设置delay缓慢输入更像真人一些。也可以使用keyboard.down(key[, options])来一个字符一个字符的输入。

2、如果是通过cookie判断登录状态的可以通过page.setCookie(...cookies)，想要维持cookie可以定时访问。

爬虫例子

博主最近在追一部耳根大大的求魔小说爬取每一章的文章链接，以及每一章的文章内容，并保存至本地

模块
1、puppeteer
2、cheerio
3、request
4、iconv-lite //gbk乱码

image.png

//在model写个底层爬取文章的链接  puppeteer.js
//本文章的重点 puppeteer
const puppeteer = require('puppeteer');
module.exports =  () => {
    return new Promise(async function (resolve,reject) {  //Promise对象
        const browser = await puppeteer.launch();   //这里不需要headless参数  不需要弹窗浏览器
        const page = await browser.newPage(); 
        await page.goto('http://www.biquge.com.tw/1_1686/');  //文章的链接
        const href = await page.evaluate(()=>{
            let arr = [];
            [...document.querySelectorAll('.box_con dd a')].filter(item=>{
                arr.push(item.href)
            })
            return arr;
        })
        resolve(href);  //这个href 就是每一章的链接地址
        await browser.close();
    })
};

接下来在controller文件夹操作爬取每一章的内容

//article.js puppeteer爬取速度太慢 这里改用request
const request = require('request');
const iconv = require('iconv-lite');
const cheerio = require('cheerio');
module.exports = (url)=>{
    return new Promise(function (resolve,reject) {
        request.get({url:url,encoding:null},(err,req,body)=>{
            if(err) {
                reject(err);
                return;
            }
            let buf =  iconv.decode(body, 'gbk');  //网页格式是gbk的需要解码
            resolve(filterArticle(buf))
        })
    })
}
function filterArticle(html){
    let $ = cheerio.load(html);
    console.log('***正在怕取'+ $('.bookname h1').text()+'***');
    return '\n' + $('.bookname h1').text()+ '\n' + $('#content').text().split('\n\n').join('')
}

主函数

//main.js
const article = require('./controller/article');
const herfPupp = require('./model/puppeteer');
const fs = require('fs');

herfPupp()
    .then(run)

async function run(msg) { //主函数
    for(i of msg){
        await _content(i)
    }
    console.log('执行结束');
}

function _content(href) {
    return new Promise(function (resolve,reject) {
        article(href)
            .then(content=>{
                fs.appendFile('./view/求魔.txt',content,(err)=>{
                    if(err) throw err;
                    resolve();
                })
            })
    })
}

执行结果