puppeteer爬蟲

@(爬蟲)[puppeteer|]

爬蟲又稱網絡機器人。天天或許你都會使用搜索引擎，爬蟲即是搜索引擎重要的組成部分，爬取內容作索引。現現在大數據，數據分析很火，那數據哪裏來呢，能夠經過網絡爬蟲爬取啊。那我萌就來探討一下網絡爬蟲吧。

---

[TOC]

爬蟲的工做原理

如圖所示，這是爬蟲的流程圖，能夠看到經過一個種子URL開啓爬蟲的爬取之旅，經過下載網頁，解析網頁中內容存儲，同時解析中網頁中的URL 去除重複後加入到等待爬取的隊列。而後從隊列中取到下一個等待爬取的URL重複以上步驟，是否是很簡單呢？

廣度（BFS）仍是深度（DFS）優先策略

上面也提到在爬取完一個網頁後從等待爬取的隊列中選取一個URL去爬去，那如何選擇呢？是選擇當前爬取網頁中的URL 仍是繼續選取當前URL中同級URL呢？這裏的同級URL是指來自同一個網頁的URL，這就是爬取策略之分。

廣度優先策略（BFS）

廣度優先策略即是將當前某個網頁中URL先爬取徹底，再去爬取從當前網頁中的URL爬取的URL，這就是BFS，若是上圖的關係圖表示網頁的關係，那麼BFS的爬取策略將會是：（A->(B,D,F,G)->(C,F));

深度優先策略（DFS）

深度優先策略爬取某個網頁，而後繼續去爬取從網頁中解析出的URL，直到爬取完。
（A->B->C->D->E->F->G)

下載網頁

下載網頁看起來很簡單，就像在瀏覽器中輸入連接同樣，下載完後瀏覽器便能顯示出來。固然結果是並非這樣的簡單。

模擬登陸

對於一些網頁來講須要登陸才能看到網頁中內容，那爬蟲怎麼登陸呢？其實登陸的過程就是獲取訪問的憑證（cookie,token...)

let cookie = '';
let j = request.jar()
async function login() {
    if (cookie) {
        return await Promise.resolve(cookie);
    }
    return await new Promise((resolve, reject) => {
        request.post({
            url: 'url',
            form: {
                m: 'username',
                p: 'password',
            },
            jar: j
        }, function(err, res, body) {
            if (err) {
                reject(err);
                return;
            }
            cookie = j.getCookieString('url');
            resolve(cookie);
        })
    })
}

這裏是個簡單的栗子，登陸獲取cookie, 而後每次請求都帶上cookie.

獲取網頁內容

有的網頁內容是服務端渲染的，沒有CGI可以得到數據，只能從html中解析內容，可是有的網站的內容並非簡單的便能獲取內容，像linkedin這樣的網站並非簡單的可以得到網頁內容，網頁須要經過瀏覽器執行後才能得到最終的html結構，那怎麼解決呢？前面我萌提到瀏覽器執行，那麼我萌有沒有可編程的瀏覽器呢？puppeteer,谷歌chrome團隊開源的無頭瀏覽器項目，利用無頭瀏覽器便能模擬用戶訪問，便能獲取最重網頁的內容，抓取內容。
利用puppeteer 模擬登陸

async function login(username, password) {
    const browser = await puppeteer.launch();
    page = await browser.newPage();
    await page.setViewport({
        width: 1400,
        height: 1000
    })
    await page.goto('https://example.cn/login');
    console.log(page.url())
    await page.focus('input[type=text]');
    await page.type(username, { delay: 100 });
    await page.focus('input[type=password]');
    await page.type(password, { delay: 100 });
    await page.$eval("input[type=submit]", el => el.click());
    await page.waitForNavigation();
    return page;
}

執行login()後便能像在瀏覽器中登陸後，便能像瀏覽器中登陸後便能獲取html中的內容，當讓w哦萌也能夠直接請求CGI

async function crawlData(index, data) {
                    let dataUrl = `https://example.cn/company/contacts?count=20&page=${index}&query=&dist=0&cid=${cinfo.cid}&company=${cinfo.encodename}&forcomp=1&searchTokens=&highlight=false&school=&me=&webcname=&webcid=&jsononly=1`;
                    await page.goto(dataUrl);
                    // ...
                }

像有的網站，拉鉤，每次爬取的cookie都同樣，也能利用無頭瀏覽器取爬取，這樣每次就不用每次爬取的時候擔憂cookie.

寫在最後

固然爬蟲不單單這些，更多的是對網站進行分析，找到合適的爬蟲策略。對後關於puppeteer,不單單能夠用來作爬蟲，由於能夠編程，無頭瀏覽器，能夠用來自動化測試等等。

招納賢士

今日頭條長期大量招聘前端工程師，可選北京、深圳、上海、廈門等城市。歡迎投遞簡歷到 tcscyl@gmail.com / yanglei.yl@bytedance.com