对于爬虫,相信大家并不陌生。当希望得到一些网站的数据并做一些有趣的事时,必不可少要爬取网页,用到爬虫。而目前网络上也有很多爬虫的教程资料,不过又尤以python语言居多。想来自己是做web的,就希望以js的方式解决问题,于是希望利用nodejs。今天介绍一款node的爬虫利器:Puppeteer。
Puppeteer正如其名“木偶”,它允许我们像牵线木偶一样操纵它。它是一个建立在DevTools协议上的提供控制无头Chrome或Chromium的高级接口的Node库。官网上对其应用举了几个例子:
- 生成网页的截屏(目前仅支持支持jpeg、png格式)和pdf文件
- 爬取SPA和异步渲染网页
- 自动表单提交、键盘输入、UI测试等
- 创建最新的自动测试环境,也就是说可以使用最新的浏览器特性
- 捕获站点的时间线以帮助分析性能问题
Puppeteer本质上是一个headless chrome。无头浏览器,相信如果大家做爬虫肯定有所耳闻。其实就是一个没有UI界面的浏览器,它包含了浏览器应该具有的功能,通常做web测试用,不过做爬虫也是没问题的。PhantomJS就提供这样的功能,基于webkit内核,已经有好几年历史了。不过因为Puppeteer有背景(谷歌Chrome团队开发),我最后还是选择了Puppeteer。它们之间的不同点是后者只关注于Chromium或Chrome。这也导致了最坑的一点是总是绑定最新版本的Chromium。
上面说到Puppeteer会绑定最新版本的Chromium,这意味着每次使用npm i puppeteer
安装使用它时都会下载最新版本的Chromium,该版本在Windows上大约是130Mb。本来下载npm包就很不易,还要下载一个一百多兆的东西更是难上加难了。当然可以使用cnpm,下图是我下载的一个界面。可以看到下载了55分钟,这固然有我网络慢的问题,但是能不下载Chromium就尽量不下载了吧。
官网讲到可以通过设置环境变量或配置npm config
的方式避免下载。但设置环境变量我一直没有成功,所以接下来讲解配置npm config
的方式。PUPPETEER_SKIP_CHROMIUM_DOWNLOAD
参数可以避免下载,所以可以在安装puppeteer之前使用下面的命令:
npm config set puppeteer_skip_chromium_download = 1
1
但这样每次都要敲这个命令总不是办法,所以可以将其写入.npmrc
文件中。npm官网讲到有四个影响npm配置的文件,分别是:项目配置文件(/path/to/my/project/.npmrc
)、用户配置文件 (~/.npmrc
)、全局配置文件($PREFIX/etc/npmrc
)、npm内置配置文件(/path/to/npm/npmrc
)。可以使用npm config list
来查看影响npm的配置文件有哪些。不过这里面有个问题,就是上面的介绍文档是针对npm最新的6.0版本的。而一般随nodejs下载的npm版本没有这么高,只是npm4.x,导致项目中的配置文件不生效。可以从下面两张图片看到两种版本的npm的配置文件的不同(上面一张:npm4.0.2,下面一张npm6.0),可以看到后者多出一个project config列表。
身为强迫症的我,当然希望直接在项目目录中更改配置文件了,所以使用下面的命令安装最新版本的npm:
npm install npm@latest -g
1
然后在项目目录下建立.npmrc
文件,输入以下配置命令:
puppeteer_skip_chromium_download = 1
1
这样配置之后,就可以跳过下载了,如图所示:
接着就可以使用它了,以官网的例子为例:
const puppeteer = require('puppeteer');(async () => { const browser = await puppeteer.launch(); const page = await browser.newPage(); await page.goto('https://example.com'); await page.screenshot({path: 'example.png'}); await browser.close();})();
1
2
3
4
5
6
7
8
9
10
以为这样就完了吗?不,虽然跳过下载的事情解决了,但是因为没有下载会导致puppeteer无法得知要使用的Chrome或Chromium在哪里,所以还需要指明启动路径。修改一下:
const puppeteer = require('puppeteer');(async () => { const browser = await puppeteer.launch({ // headless: false,//不使用无头chrome模式 executablePath: 'C:\\Users\\sunbo\\AppData\\Local\\Google\\Chrome\\Application\\chrome.exe',//path to your chrome }); const page = await browser.newPage(); await page.goto('https://example.com'); await page.screenshot({path: 'example.png'}); await browser.close();})();
1
2
3
4
5
6
7
8
9
10
11
12
13
更改executablePath
参数指向你本地chrome所在目录,注意一定要指向chrome.exe
才能正常使用。headless
参数也是挺有趣的,如果其值为false
,就会真的为我们启动一个chrome进程,让我们可以可视化整个程序运行的过程。
好了,安装配置好就可以尽情享受Puppeteer带给我们的美好世界了。最后说一点,官网例子使用async/await
和promise
,所以有必要了解这些异步知识,这些东西运用好,简直打开了异步编程的新世界。祝好运!!!
联系客服