puppeteer 爬虫模板

import * as puppeteer from 'puppeteer-core';

(async () => {
    const browser = await puppeteer.launch({
        executablePath: '/Applications/Microsoft Edge.app/Contents/MacOS/Microsoft Edge',
        args: ['--start-maximized', '--disable-extensions', '--disable-infobars', '--disable-web-security', '--disable-features=IsolateOrigins,site-per-process'],
        headless: true,
    });
    browser.newPage().then(async (page) => {
        await page.setViewport({width: 1920, height: 1080});
        await page.goto('http://www.petsworld.cn/Html/zhzx/guonei/2023/3/6376401601033.html', {waitUntil: 'networkidle2'});
        const xpath = "/html/body/table[2]/tbody/tr/td[1]/table/tbody/tr[2]/td/table/tbody/tr[4]/td/table[1]/tbody/tr[1]";
        const images = await getImages(page, xpath);
        console.log(images)

        const html = await getHtml(page, xpath);
        console.log(html)

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

const getHtml = (page, xpath) => {
    return new Promise((resolve, reject) => {
        page.$x(xpath).then(async (element) => {
            //将image的url变为绝对路径
            await page.evaluate(element => {
                const images = element.querySelectorAll('img');
                for (const image of images) {
                    image.src = new URL(image.src, window.location.href).href;
                }
            }, element[0]);

            // return html
            let html = await page.evaluate(element => element.innerHTML, element[0]);
            html = clean_html(html)
            resolve(html);
        }).catch((err) => {
            reject(err);
        })
    })
}

const getImages = (page, xpath) => {
    return new Promise((resolve, reject) => {
        page.$x(xpath).then(async (element) => {
            const images = await page.evaluate(element => {
                const images = element.querySelectorAll('img');
                for (const image of images) {
                    image.src = new URL(image.src, window.location.href).href;
                }
                return Array.from(images).map(image => image.src);
            }, element[0]);
            resolve(images);
        }).catch((err) => {
            reject(err);
        })
    })
}


function clean_property(html) {
    const properties = [
        'style', 'class', 'size', 'face', 'lang', 'width', 'height', 'valign', 'align', 'border', 'cellpadding',
        'cellspacing', 'onload', 'onunload', 'onclick', 'ondblclick', 'onmousedown', 'onmouseup',
        'onmouseover', 'onmousemove', 'onmouseout', 'onkeypress', 'onkeydown', 'onkeyup', 'onfocus',
        'onblur', 'onselect', 'onchange', 'onsubmit', 'onreset', 'onselectstart', 'onerrorupdate',
        'onhelp', 'onrowexit', 'onrowenter', 'onbeforeunload', 'onbeforeupdate', 'onafterupdate',
        'oncellchange', 'oncontextmenu', 'ondataavailable', 'ondatasetchanged', 'ondatasetcomplete',
        'onmousewheel', 'onreadystatechange', 'onstop', 'onrowsdelete', 'onrowsinserted', 'onbeforeeditfocus',
    ];
    properties.forEach((property) => {
        const reg = new RegExp(property + '="[^"]*"', "g");
        html = html.replace(reg, "");
    })
    return html;
}

function clean_tags(html) {
    const tags = ['script', 'style', 'iframe', 'link', 'meta', 'noscript', 'object', 'param', 'applet', 'embed'];
    tags.forEach((tag) => {
        const reg = new RegExp('<' + tag + '.*?>.*?</' + tag + '>', "g");
        html = html.replace(reg, "");
    })
    //
    const otherTags = ['font', 'span', 'o:p'];
    otherTags.forEach((tag) => {
        const regStart = new RegExp('<' + tag + '.*?>', "g");
        html = html.replace(regStart, "");
        const regEnd = new RegExp('</' + tag + '.*?>', "g");
        html = html.replace(regEnd, "");
    })
    return html;
}

function clean_html(html) {
    html = clean_property(html);
    html = clean_tags(html);
    //清除注释
    html = html.replace(/<!--.*?-->/g, "");
    //清除空格和空行
    html = html.replace(/&nbsp;/g, "");
    html = html.replace(/\s{2}/g, "");
    html = html.replace(/\r/g, "");
    html = html.replace(/\n/g, "");
    //删除空标签
    html = html.replace(/<(\w+)[^>]*>\s*<\/\1>/g, "");
    html = html_beautify(html);
    return html;
}

function html_beautify(html) {
    // eslint-disable-next-line no-undef
    const beautify = require('js-beautify').html;
    const options = {
        indent_size: 4,
        indent_char: ' ',
        eol: '\r\n',
        indent_level: 0,
        indent_with_tabs: false,
        preserve_newlines: true,
        max_preserve_newlines: 10,
    }
    return beautify(html, options);
}

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,014评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,796评论 3 386
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,484评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,830评论 1 285
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,946评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,114评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,182评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,927评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,369评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,678评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,832评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,533评论 4 335
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,166评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,885评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,128评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,659评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,738评论 2 351

推荐阅读更多精彩内容