Puppeteer 实战-爬取动态生成的网页

一、Puppeteer

Puppeteer 相关介绍与安装不过多介绍，可通过以下链接进行学习

开源地址
英文文档
中文社区
掘金Puppeteer专栏

二、爬取动态网页

1. 需求

首先，了解下我们的需求: 爬取 zoomcharts 文档中 Net Chart 目录下所有访问连接对应的页面，并保存到本地

2. 研究 ZoomCharts 文档页面结构

首先，我们得研究透 ZoomCharts 页面如何加载，以及左侧导航的 DOM 树结构，才好进行下一步操作

页面首次加载
页面首次加载，左侧导航第一个目录Introduction 高亮，从控制台可看出，该元素增加了 active 类，同时 li[data-section="net-chart"] 节点下只有一个元素节点 a
点击 Net Chart 目录

点击 Net Chart 目录, Net Chart目录高亮，下拉显示子目录，查看控制台，其元素节点增加 active 类，并增加 ul 子元素节点, 此时，第一个子目录节点也只有一个子元素节点 a

结论

不难发现, 左侧目录是动态生成的，而不是静态写死的，只有点击父级目录，其子目录才会生成显示，同时，父级目录元素上的 drop 类表明存在子级目录

3. 编写主程序

通过上面分析，得出大概流程如下

从上到下，遍历 Net Chart 目录的 DOM 树，当找到 a.drop 的元素节点，模拟鼠标点击事件 click，生成子目录节点
找到 Net Chart 目录下所有的 a 链接，生成一个数组
遍历数组，访问每一个子目录页面，保存页面的 html 文件到本地

接下来实现每个具体流程

项目初始化

安装 puppeteer, rimraf(文件夹操作时需用到)

npm i -S puppeteer rimraf
复制代码

新建 test.js 文件并引入

const puppeteer = require('puppeteer');
const chalk = require('chalk');
const path = require('path');
const https = require('https');
const fs = require('fs');
const rm = require('rimraf');

const settings = {
    headless: false
}

function resolve(dir, dir2 = '') {
	return path.posix.join(__dirname, './', dir, dir2);
}

async function main () {
    const browser = await puppeteer.launch(settings); // 创建一个Browser 对象
    try {
        const page = await browser.newPage(); // 使用 Browser 创建 Page 
        page.setDefaultNavigationTimeout(600000);
        // 监听 console 
        page.on('console', msg => {
            for (let i = 0; i < msg.args().length; ++i) {
                console.log(`${i}: ${msg.args()[i]}`);
            }
        });
        
        
        // main 区域
        
        
        console.log('服务正常结束')
    } catch (error) {
        console.log('服务出现错误：')
        console.log(error)
    } finally {
        
    }
}

main()
复制代码

接下来所有代码都在 main 区域内完成，完整代码可访问 github代码仓库查看，下面仅列出每部分的思路

创建文件夹，用于保存爬取的文件
- 定义文件输出路径
- 根据路径生成文件夹
- 当文件夹已经存在，先删除，再新建
实现 Net Chart 目录下所有 a.drop 元素的点击事件

这部分涉及到DOM 操作, 只有在 page.evaluate() 中才能访问真实的DOM元素，同时，在page.evaluate() 中不能直接调用外面定义的函数，可将函数传递进去，或将函数绑定到 window 对象上

await page.evaluate(async () => {
    const rootNode = document.querySelector('#menu > ul > li:nth-child(5) > ul > li:nth-child(5)');
    await window.walkDOM(rootNode)
})
复制代码

此时，绑定到window对象上的 walkDOM 函数需要在page.evaluateOnNewDocument函数中定义才能生效

await page.evaluateOnNewDocument(() => {
    // 遍历DOM
    window.walkDOM = (node) => {
        if (node === null) {
            return
        }
        if (node.tagName === 'A' && node.className.indexOf('drop') > -1) {
            node.click() // 点击事件
        }
        node = node.firstElementChild
        while (node) {
            walkDOM(node)
            node = node.nextElementSibling
        }
    }
})
复制代码

当Net Chart 目录下所有 a.drop 元素点击过后，Net Chart 目录下所有后代子目录都会加载生成，接下来操作就简单了

获取Net Chart 目录下所有 a 元素
- 通过 document.querySelectorAll()查找到所有a元素，保存到数组
- 遍历数组，对数组每一项进行处理成 {href: '',text: ''} 对象
- 返回对象数组
遍历对象数组，访问每一个链接，下载其HTML文件
- 跳转每一个链接，下载需要的html到指定文件夹
- 当 HTML 中存在 img 时，下载所有图片

4. 总结

第一次使用Puppeteer也是磕磕绊绊，花费不少时间，期间也参考了不少文章，还需多多练习

代码仓库

代码仓库

参考文章

前端使用puppeteer 爬虫生成《React.js 小书》PDF并合并