实战用puppeteer 和puppeteer-cluster 获取某站所有有用链接

puppeteer

谷歌推出的用于操作无头浏览器的nodeJs框架，提供上层API用于直接操作浏览器。该框架适用于爬取web2.0页面，同时对web1.0的支持率也比较高，代码编写也很简单。
puppeteer中文文档

Puppeteer-cluster

池化思想作用于puppeteer的产物，任务分发与调度，让nodejs可以利用自身去实现整个爬虫。在使用该组件之前，我使用java来写爬虫的调度算法，然后用eureka来调用nodejs的页面抓取模块。
puppeteer-cluster项目地址

首先需要获取整站的所有页面

获取所有页面，并确定当url是pan.baidu.com的时候过滤掉已经失效的链接

const {Cluster} = require('puppeteer-cluster');
const launchOptions = {
    headless: true,
    ignoreHTTPSErrors: true,        // 忽略证书错误
    waitUntil: 'networkidle2',
    defaultViewport: {
        width: 1920,
        height: 1080
    },
    args: [
        '--disable-gpu',
        '--disable-dev-shm-usage',
        '--disable-web-security',
        '--disable-xss-auditor',    // 关闭 XSS Auditor
        '--no-zygote',
        '--no-sandbox',
        '--disable-setuid-sandbox',
        '--allow-running-insecure-content',     // 允许不安全内容
        '--disable-webgl',
        '--disable-popup-blocking',
        //'--proxy-server=http://127.0.0.1:8080'      // 配置代理
    ],
    executablePath: 'C:\\Program Files (x86)\\Google\\Chrome\\Application\\chrome.exe',
};

const clusterLanuchOptions = {
    concurrency: Cluster.CONCURRENCY_PAGE,  // 单Chrome多tab模式
    maxConcurrency: 20,  // 并发的workers数
    retryLimit: 2,   // 重试次数
    skipDuplicateUrls: true,  // 不爬重复的url
    monitor: true,  // 显示性能消耗
    puppeteerOptions: launchOptions,
};
(async () => {
    const cluster = await Cluster.launch(clusterLanuchOptions);
    const cluster2 = await Cluster.launch(clusterLanuchOptions2);
    await cluster2.task(async ({page, data: url}) => {
        let urlTrue = url.split(' ')[0];
        await page.goto(urlTrue);
        await page.waitForSelector('html');
        let title = await page.title();
        let x = "D:\\workspace\\node\\check\\bbs\\controllers\\pantrue.txt";
        if (title.indexOf('不存在') === -1) {
            let value = '';
            if (title.indexOf('分享无限制')) {
                value = urlTrue + ' ' + title + '\n';
            } else {
                value = url.split(' ')[1].substr(0, 20) + ' ' + url.split(' ')[2] + ' ' + urlTrue + ' ' + title + '\n';
            }
            fs.writeFile(x, value, {flag: 'a'}, function (err) {
                if (err !== null) {
                    console.log(err);
                }
            });
        }
    });
    await cluster.task(async ({page, data: url}) => {
        await page.goto(url);
        await page.waitForSelector('html');
        let title = await page.title();
        await page.content();
        let x = "D:\\workspace\\node\\check\\bbs\\controllers\\pan.txt";
        let y = "D:\\workspace\\node\\check\\bbs\\controllers\\outDomain.txt";
        let yuanDomain = urllib.parse(urlTrue);
        let newDomain = urllib.parse(url);

        if (yuanDomain.hostname !== newDomain.hostname) {
            if (!outUrlSet.has(newDomain.hostname)) {
                fs.writeFile(y, url + ' ' + title + '\n', {
                    flag: 'a'
                }, function (err) {
                    if (err) {
                        console.error(err);
                    }
                });
                outUrlSet.add(newDomain.hostname);
            }
        } else {
            let links = await page.$$eval('[src],[href],[action],[data-url],[longDesc],[lowsrc]', get_src_and_href_links);
            let res = await parseLinks(links, url);
            console.log({links: links.length}, {res: res.length});
            for (let i = 0; i < res.length; i++) {
                let link = res[i];
                if (link !== undefined && link.indexOf("pan.baidu.com") !== -1) {
                    // todo 存起来
                    if (!panSet.has(link)) {
                        fs.writeFile(x, link + ' ' + title + ' ' + url + '\n', {
                            flag: 'a'
                        }, function (err) {
                            if (err) {
                                console.error(err);
                            }
                        });
                        cluster2.queue(link + ' ' + title + ' ' + url);
                        panSet.add(link);
                    }
                } else {
                    cluster.queue(link);
                }
            }
        }
    });
    cluster.queue('http://www.xxxxx.com/');
    await cluster.idle();
    await cluster.close();
})();

async function parseLinks(links, url) {
    let result = [];
    // 处理url
    return result;
}

function get_src_and_href_links(nodes) {
    let result = [];
    // 获取节点中的所有
    return result;
}

分析页面，获取更深的信息

得到的盘链接，有些是无限制的，有些是需要tiquma的，而tiquma该如何获取呢？往往原来的页面里面会有，这个时候我们就需要分析原来的页面了。

file

在这个网站中，提取码几乎都放在strong标签中，那我们只好使用方法得到页面中的strong标签
在puppeteer中可以使用page.$$eval()方法来获取strong节点集合，然后使用treeWalker遍历整个节点得到我们想要的东西即可。

let {text,html} = await page.$$eval('strong', getTiQuMa);
function getTiQuMa(nodes) {
    let html = '';
    let text = '';
    for (let node of nodes) {
        let treeWalker = document.createTreeWalker(
            node,
            NodeFilter.SHOW_ELEMENT,
            {
                acceptNode: function (node1) {
                    return NodeFilter.FILTER_ACCEPT;
                }
            },
            false
        );
        while (treeWalker.nextNode()) {
            let element = treeWalker.currentNode;
            text = text + ' ' + element.innerText;
        }
    }
    return {text: text, html: html};
}

问题展望

现在，我们实现了基于一个网站的所有盘链接的获取，那么，如果现在想要实现一个通用的盘链接获取爬虫，从而实现盘链接的搜索引擎该如何完成呢？
关注我，让我给你解答。

炒鸡辣鸡原创文章，转载请注明来源