node puppeteer拦截谷歌请求、设置浏览器响应-爬取电子书链接

(1)拦截谷歌请求:
	(1)拦截谷歌请求,使用后会激活会激活 request.abort, request.continue 和 request.respond 方法。
	
		await page.setRequestInterception(true);
		
	(2)监听request事件,对请求做出操作
		一旦启用请求拦截,每个请求都将停止,除非它继续,响应或中止
		
		page.on('request',回调函数(request形参,包含上述方法)

	如拦截谷歌广告:
	//截取谷歌请求
		await page.setRequestInterception(true);
		//监听每一次请求,形参为请求对象
		page.on('request',(interceptedRequest)=>{
			//ite.url()获取请求url地址
			let urlObj=Url.parse(interceptedRequest.url());
			//如果是谷歌的广告
			if(urlObj.hostname=='googleads.g.doubleclick.net'或者urlObj.hostname.indexOf('google')!=-1){
				//拦截请求
				interceptedRequest.abort();
			}else{
				interceptedRequest.continue();
			}
		})

(2)如果爬取时间超时导致失败:

	(1)通过延迟函数,将延迟时间增长
	(2)使用page.setDefaultNavigationTimeout(0); 将浏览器响应时间改为无限长,默认为30秒
	(3)在配置信息中设置,timeout=0; 效果和(2)一样

(3)获取资源后关闭页面,减小性能消耗

	page.close();
	
(4)通过page.$/$$()返回的ElementHandle 获取元素属性

		let xx=await page.$('选择器')
		let xxx=await xx.getProperty('属性');
		let xxxx=xxx._remoteObject.value;

爬取的电子书网站

代码示例:

let puppeteer=require('puppeteer');
let axios =require('axios');
let Url=require('url');
let fs=require('fs');

let http='https://sobooks.cc/';
async function run(){

	function wait(time){
		return new Promise(function(resolve,reject){
			setTimeout(function(){
				resolve('ok延迟')
			})
		},time)
	}


	let options={
		headless:false,
		slowMo:250,
		defaultViewport:{
			width:1000,
			height:800
		}
	}

	let browser=await puppeteer.launch(options);

	//获取所有页数
	async function getAllNum(){
		let page=await browser.newPage();

		//截取谷歌广告请求
		await page.setRequestInterception(true);
		//监听每一次请求,形参为请求对象
		page.on('request',(interceptedRequest)=>{
			//ite.url()获取请求url地址
			let urlObj=Url.parse(interceptedRequest.url());
			if(urlObj.hostname=='googleads.g.doubleclick.net'){
				//拦截请求
				interceptedRequest.abort();
			}else{
				interceptedRequest.continue();
			}
		})


		await page.goto(http);
		let pageNum=await page.$eval('.pagination li:last-child span',(ele)=>{
			//获得页数
			let num=ele.innerText.substring(2,length-2);
			return num.trim();
		})
		//返回内容后关掉当前页面,节省空间
		page.close();
		return pageNum;
	}

	let pageNum=await getAllNum();

	//获取指定页的所有书籍链接
	async function pageList(num){
		let listUrl='https://sobooks.cc/page/'+num;
		let page=await browser.newPage();
		//设置浏览器响应时间为无限制等待,默认为30秒
		page.setDefaultNavigationTimeout(0);
		//截取谷歌请求
		await page.setRequestInterception(true);
		//监听每一次请求,形参为请求对象
		page.on('request',(interceptedRequest)=>{
			//ite.url()获取请求url地址
			let urlObj=Url.parse(interceptedRequest.url());
			if(urlObj.hostname=='googleads.g.doubleclick.net'){
				//拦截请求
				interceptedRequest.abort();
			}else{
				interceptedRequest.continue();
			}
		})


		await page.goto(listUrl);

		let arr= await page.$$eval('.card .card-item .thumb-img>a',(ele)=>{
			let arr=[];
			ele.forEach(function(item,index){
				let obj={
					href:item.getAttribute('href'),
					title:item.getAttribute('title')
				};
				arr.push(obj);
			})
			// console.log(arr);
			return arr;
		})

		//获取结束后关闭页面
		page.close();

		//遍历内容,去到书籍的详情页面,获取网盘链接
		arr.forEach(async (item,index)=>{
			//延迟函数,延迟打开
			await wait(300*index);
			getPageInfo(item);
		})
	}

	//根据书籍地址,去获取网盘链接
	async function getPageInfo(pageObj){
		let page=await browser.newPage();

		//截取谷歌请求
		await page.setRequestInterception(true);
		//监听每一次请求,形参为请求对象
		page.on('request',(interceptedRequest)=>{
			//ite.url()获取请求url地址
			let urlObj=Url.parse(interceptedRequest.url());
			if(urlObj.hostname=='googleads.g.doubleclick.net'){
				//拦截请求
				interceptedRequest.abort();
			}else{
				interceptedRequest.continue();
			}
		})



		await page.goto(pageObj.href);
		let eleA=await page.$('.dltable tr:nth-child(3) a:last-child')
		//page.$()方式,获取元素属性的方法
		let url=await eleA.getProperty('href');
		url=url._remoteObject.value;

		//解析地址,获取网盘链接
		url=url.split('?url=')[1]+'\n';
		let content={
			title:pageObj.title,
			url:url
		}
		//存放地址
		console.log(pageObj.title);
		fs.writeFile("C:/Users/10853/Desktop/爬虫电子书.txt",content.title+','+content.url,{flag:'a'},function(err){
			console.log('ok');
		})
	}

	 pageList(1);
}

run();

你可能感兴趣的:(node爬虫,nodejs)