使用Node.js爬取任意網(wǎng)頁資源并輸出高質(zhì)量PDF文件到本地~

xiaoxiaozi 發(fā)布于2019-08-02 15:18 / 2560人閱讀

摘要：上面只爬取了京東首頁的圖片內(nèi)容，假設(shè)我的需求進(jìn)一步擴(kuò)大，需要爬取京東首頁中的所有標(biāo)簽對應(yīng)的跳轉(zhuǎn)網(wǎng)頁中的所有的文字內(nèi)容，最后放到一個數(shù)組中。

本文適合無論是否有爬蟲以及Node.js基礎(chǔ)的朋友觀看~

需求：

使用Node.js爬取網(wǎng)頁資源，開箱即用的配置

將爬取到的網(wǎng)頁內(nèi)容以PDF格式輸出

如果你是一名技術(shù)人員，那么可以看我接下來的文章，否則，請直接移步到我的github倉庫，直接看文檔使用即可

倉庫地址:附帶文檔和源碼,別忘了給個star哦 本需求使用到的技術(shù)：Node.js和puppeteer

puppeteer 官網(wǎng)地址: puppeteer地址

Node.js官網(wǎng)地址:鏈接描述

Puppeteer是谷歌官方出品的一個通過DevTools協(xié)議控制headless Chrome的Node庫。可以通過Puppeteer的提供的api直接控制Chrome模擬大部分用戶操作來進(jìn)行UI Test或者作為爬蟲訪問頁面來收集數(shù)據(jù)。

環(huán)境和安裝

Puppeteer本身依賴6.4以上的Node，但是為了異步超級好用的async/await，推薦使用7.6版本以上的Node。另外headless Chrome本身對服務(wù)器依賴的庫的版本要求比較高，centos服務(wù)器依賴偏穩(wěn)定，v6很難使用headless Chrome，提升依賴版本可能出現(xiàn)各種服務(wù)器問題（包括且不限于無法使用ssh），最好使用高版本服務(wù)器。（建議使用最新版本的Node.js）

小試牛刀，爬取京東資源

const puppeteer = require("puppeteer"); //  引入依賴  
(async () => {   //使用async函數(shù)完美異步 
    const browser = await puppeteer.launch();  //打開新的瀏覽器
    const page = await browser.newPage();   // 打開新的網(wǎng)頁 
    await page.goto("https://www.jd.com/");  //前往里面 "url" 的網(wǎng)頁
    const result = await page.evaluate(() => {   //這個result數(shù)組包含所有的圖片src地址
        let arr = []; //這個箭頭函數(shù)內(nèi)部寫處理的邏輯  
        const imgs = document.querySelectorAll("img");
        imgs.forEach(function (item) {
            arr.push(item.src)
        })
        return arr 
    });
    // "此時的result就是得到的爬蟲數(shù)據(jù)，可以通過"fs"模塊保存"
})()

  復(fù)制過去 使用命令行命令 ` node 文件名 ` 就可以運(yùn)行獲取爬蟲數(shù)據(jù)了 
這個 puppeteer 的包 ，其實是替我們開啟了另一個瀏覽器，重新去開啟網(wǎng)頁，獲取它們的數(shù)據(jù)。

上面只爬取了京東首頁的圖片內(nèi)容，假設(shè)我的需求進(jìn)一步擴(kuò)大，需要爬取京東首頁

中的所有 標(biāo)簽對應(yīng)的跳轉(zhuǎn)網(wǎng)頁中的所有 title的文字內(nèi)容，最后放到一個數(shù)組中。

我們的async函數(shù)上面一共分了五步，只有 puppeteer.launch() ,

browser.newPage(), browser.close() 是固定的寫法。

page.goto 指定我們?nèi)ツ膫€網(wǎng)頁爬取數(shù)據(jù)，可以更換內(nèi)部url地址，也可以多次

調(diào)用這個方法。

page.evaluate 這個函數(shù)，內(nèi)部是處理我們進(jìn)入想要爬取網(wǎng)頁的數(shù)據(jù)邏輯

page.goto和 page.evaluate兩個方法，可以在async內(nèi)部調(diào)用多次，

那意味著我們可以先進(jìn)入京東網(wǎng)頁，處理邏輯后，再次調(diào)用page.goto這個函數(shù)，

注意，上面這一切邏輯，都是puppeteer這個包幫我們在看不見的地方開啟了另外一個
瀏覽器，然后處理邏輯，所以最終要調(diào)用browser.close()方法關(guān)閉那個瀏覽器。

這時候我們對上一篇的代碼進(jìn)行優(yōu)化，爬取對應(yīng)的資源。

 const puppeteer = require("puppeteer");
(async () => {
    const browser = await puppeteer.launch();
    const page = await browser.newPage();
    await page.goto("https://www.jd.com/");
    const hrefArr = await page.evaluate(() => {
        let arr = [];
        const aNodes = document.querySelectorAll(".cate_menu_lk");
        aNodes.forEach(function (item) {
            arr.push(item.href)
        })
        return arr
    });
    let arr = [];
    for (let i = 0; i < hrefArr.length; i++) {
        const url = hrefArr[i];
        console.log(url) //這里可以打印 
        await page.goto(url);
        const result = await page.evaluate(() => { //這個方法內(nèi)部console.log無效 
            
              return  $("title").text();  //返回每個界面的title文字內(nèi)容
        });
        arr.push(result)  //每次循環(huán)給數(shù)組中添加對應(yīng)的值
    }
    console.log(arr)  //得到對應(yīng)的數(shù)據(jù)  可以通過Node.js的 fs 模塊保存到本地
    await browser.close()
})()

上面有天坑   page.evaluate函數(shù)內(nèi)部的console.log不能打印，而且內(nèi)部不能獲取外部的變量,只能return返回，
使用的選擇器必須先去對應(yīng)界面的控制臺實驗過能不能選擇DOM再使用，比如京東無法使用querySelector。這里由于
京東的分界面都使用了jQuery，所以我們可以用jQuery，總之他們開發(fā)能用的選擇器，我們都可以用，否則就不可以。

接下來我們直接來爬取Node.js的官網(wǎng)首頁然后直接生成PDF

無論您是否了解Node.js和puppeteer的爬蟲的人員都可以操作，請您一定萬分仔細(xì)閱讀本文檔并按順序執(zhí)行每一步

本項目實現(xiàn)需求：給我們一個網(wǎng)頁地址，爬取他的網(wǎng)頁內(nèi)容，然后輸出成我們想要的PDF格式文檔，請注意，是高質(zhì)量的PDF文檔

第一步，安裝Node.js ,推薦http://nodejs.cn/download/，Node.js的中文官網(wǎng)下載對應(yīng)的操作系統(tǒng)包

第二步，在下載安裝完了Node.js后，啟動windows命令行工具(windows下啟動系統(tǒng)搜索功能，輸入cmd，回車，就出來了)

第三步需要查看環(huán)境變量是否已經(jīng)自動配置,在命令行工具中輸入 node -v，如果出現(xiàn) v10. ***字段，則說明成功安裝Node.js

第四步如果您在第三步發(fā)現(xiàn)輸入node -v還是沒有出現(xiàn) 對應(yīng)的字段，那么請您重啟電腦即可

第五步打開本項目文件夾，打開命令行工具（windows系統(tǒng)中直接在文件的url地址欄輸入cmd就可以打開了），輸入 npm i cnpm nodemon -g

第六步下載puppeteer爬蟲包，在完成第五步后，使用cnpm i puppeteer --save 命令即可下載

第七步完成第六步下載后，打開本項目的url.js，將您需要爬蟲爬取的網(wǎng)頁地址替換上去(默認(rèn)是http://nodejs.cn/)

第八步在命令行中輸入 nodemon index.js 即可爬取對應(yīng)的內(nèi)容，并且自動輸出到當(dāng)前文件夾下面的index.pdf文件中

TIPS: 本項目設(shè)計思想就是一個網(wǎng)頁一個PDF文件，所以每次爬取一個多帶帶頁面后，請把index.pdf拷貝出去，然后繼續(xù)更換url地址，繼續(xù)爬取，生成新的PDF文件，當(dāng)然，您也可以通過循環(huán)編譯等方式去一次性爬取多個網(wǎng)頁生成多個PDF文件。對應(yīng)像京東首頁這樣的開啟了圖片懶加載的網(wǎng)頁，爬取到的部分內(nèi)容是loading狀態(tài)的內(nèi)容，對于有一些反爬蟲機(jī)制的網(wǎng)頁，爬蟲也會出現(xiàn)問題，但是絕大多數(shù)網(wǎng)站都是可以的

const puppeteer = require("puppeteer");
const url = require("./url");
(async () => {
    const browser = await puppeteer.launch({ headless: true })
    const page = await browser.newPage()
    //選擇要打開的網(wǎng)頁  
    await page.goto(url, { waitUntil: "networkidle0" })
    //選擇你要輸出的那個PDF文件路徑，把爬取到的內(nèi)容輸出到PDF中，必須是存在的PDF，可以是空內(nèi)容，如果不是空的內(nèi)容PDF，那么會覆蓋內(nèi)容
    let pdfFilePath = "./index.pdf";
    //根據(jù)你的配置選項，我們這里選擇A4紙的規(guī)格輸出PDF，方便打印
    await page.pdf({
        path: pdfFilePath,
        format: "A4",
        scale: 1,
        printBackground: true,
        landscape: false,
        displayHeaderFooter: false
    });
    await browser.close()
})()

文件解構(gòu)設(shè)計

數(shù)據(jù)在這個時代非常珍貴，按照網(wǎng)頁的設(shè)計邏輯，選定特定的href的地址，可以先直接獲取對應(yīng)的資源，也可以通過再次使用  page.goto方法進(jìn)入，再調(diào)用 page.evaluate() 處理邏輯，或者輸出對應(yīng)的PDF文件，當(dāng)然也可以一口氣輸出多個PDF文件~
這里就不做過多介紹了，畢竟 Node.js 是可以上天的，或許未來它真的什么都能做。這么優(yōu)質(zhì)簡短的教程，請收藏
或者轉(zhuǎn)發(fā)給您的朋友，謝謝。

GPU云服務(wù)器云服務(wù)器用java訪問oracle數(shù)據(jù)庫取得記錄并輸出到界面保存網(wǎng)頁到本地本地資源上傳到云服務(wù)器本地資源共享到云服務(wù)器

文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請注明本文地址：http://specialneedsforspecialkids.com/yun/54035.html

發(fā)表評論

登陸后可評論

0條評論

xiaoxiaozi

男|高級講師

我要關(guān)注我要私信

TA的文章

[11.11]LOCVPS：VPS全場7折/部分5折,充300元送50元,KVM/XEN多機(jī)房可選

閱讀 3205·2021-11-08 13:21
六一云：新上湖北電信機(jī)房，100G防御，首月6折，2核/2G/5Mbps不限流/首月36元

閱讀 1194·2021-08-12 13:28
從前端小白到中高級前端需要掌握的技能總結(jié)（2）

閱讀 1405·2019-08-30 14:23
css3中的變形（transform）

閱讀 1923·2019-08-30 11:09
『總結(jié)』常見開發(fā)問題解決

閱讀 839·2019-08-29 13:22
react項目開發(fā)教程總覽

閱讀 2683·2019-08-29 13:12
vue數(shù)據(jù)傳遞--我有特殊的實現(xiàn)技巧

閱讀 2548·2019-08-26 17:04
summernote(富文本編輯器)將附件與圖片上傳到自己的服務(wù)器（vue項目）

閱讀 2249·2019-08-26 13:22

国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

上云采購季！| 2核2G4M爆款云服務(wù)器低至59元/年，更有多臺、長期優(yōu)惠，快來選購！

使用Node.js爬取任意網(wǎng)頁資源并輸出高質(zhì)量PDF文件到本地~

需求：

如果你是一名技術(shù)人員，那么可以看我接下來的文章，否則，請直接移步到我的github倉庫，直接看文檔使用即可

無論您是否了解Node.js和puppeteer的爬蟲的人員都可以操作，請您一定萬分仔細(xì)閱讀本文檔并按順序執(zhí)行每一步

相關(guān)文章