Puppeteer：瀏覽器控制器

Puppeteer

Puppeteer是Chrome團隊開源的Node庫，其提供基於DevTools協議的高階API讓開發人員可以控制Headless Chrome、Chromium、Chrome等瀏覽器

經過Puppeteer可以將平時手動使用瀏覽器的操做經過代碼的方式自動化執行，例如抓取網頁、填充表單、下載文件、自動化測試，甚至使用開發者工具等。

安裝要求

Node v6.4.0，但建議使用v7.6.0以上，緣由是Puppeteer的不少用法都是異步的，原生支持async/await顯得比較友好。

npm i --save puppeteer

起步

使用Puppeteer的流程比較簡單，有點相似咱們使用瀏覽器的流程，按照你操做瀏覽器的過程獲得信息的過程，一步步執行對應的代碼：

const puppeteer = require('puppeteer');  // 引用

async function open(url) {
    let browser = await puppeteer.launch({
        headless: true,
        executablePath: '/Applications/Google Chrome Canary.app/Contents/MacOS/Google Chrome Canary'
    }); // 建立browser實例，至關於打開瀏覽器
    let page = await browser.newPage(); // 打開頁面，至關於打開標籤頁
    await page.goto(url, {
        waitUnil: 'networkidle0'
    }); // 跳轉到指定url
    /* 這裏能夠針對頁面進行不少操做 */
    browser.close(); // 關閉瀏覽器
}
open('www.taobao.com');

下圖是官方結構圖

Page.$(selector)

經過css selector寫法獲取單個對象，返回<Promise<?ElementHandle>>

Page.$$(selector)

與Page.$(selector) 相似，但返回的是一組對象，<Promise<Array<ElementHandle>>>

page.$$eval(selector, pageFunction[, ...args])

獲取屬性

const divsCounts = await page.$$eval('div', divs => divs.length);

page.evaluate(pageFunction, ...args)

執行頁面腳本

page.waitFor(selectorOrFunctionOrTimeout[, options[, ...args]])

等待指定Dom顯示、等待方法執行、等待一段時間

page.waitForNavigation(options)

等待頁面跳轉

---

下文將經過幾個場景來展示Puppeteer的一些用法

爬蟲

抓取1688的某商品詳情頁內容，咱們須要事先分析該頁面的結構，以便可以抓取所需的信息。

商品名稱	class="d-title" dom
商品信息	全局inline js iDetailConfig對象
商品縮略圖	全局inline js iDetailData對象
商品詳情圖	id="desc-lazyload-container" dom裏面全部img，使用了lazy-load

具體看下面的關鍵代碼

let detailUrl = 'https://detail.1688.com/offer/564492877842.html';

/**
 * 抓取詳情頁
 * @param {Object} page 
 */
async function fetchDetail(page) {
    // 獲取商品名稱
    let dTitleHandle = await page.$('.d-title');  // 使用css selector格式查找商品名稱，返回
    let dTitle = await page.evaluate(dTitle => dTitle.innerHTML, dTitleHandle); // 獲取dom innerHTML
    let iDetailConfig = await page.evaluate(x => {
        return Promise.resolve(iDetailConfig);
    }); // 獲取頁面js iDetailConfig對象
    let iDetailData = await page.evaluate(x => {
        return Promise.resolve(iDetailData);
    }); // 獲取頁面js iDetailData對象
    let detail = {
        title: dTitle,
        offerid: iDetailConfig.offerid,
        skuProps: iDetailData.sku.skuProps,
        skuMap: iDetailData.sku.skuMap
    }; 
    /**
    * ……
    */
    // 獲取sku圖片和縮略圖
    Object.keys(detail.skuMap).forEach(async (skuName) => {
        let selectorStr = `tr[data-sku-config] span.image[title=${skuName}]`;
        // 遍歷sku信息查找對應的縮略圖標籤，讀取data-imgs屬性的json，從其中獲取縮略圖和原圖url
        let dataImgsValue = page.evaluate(selectorStr => {
            return document.querySelector(selectorStr).dataset.imgs;
        }, selectorStr);
        let dataImgs = JSON.parse(await dataImgsValue);
        // 調用第三方庫下載圖片
        await saveImgs(dataImgs.preview, `${dir}/preview`);
        await saveImgs(dataImgs.original, `${dir}/original`);
        
    });
    // 加載詳情圖
    let preScrollHeight = 0;
    let scrollHeight = -1;
    while(preScrollHeight !== scrollHeight) {
        // 詳情信息是根據滾動異步加載，因此須要讓頁面滾動到屏幕最下方，經過延遲等待的方式進行屢次滾動
        let scrollH1 = await page.evaluate(async () => {
            let h1 = document.body.scrollHeight;
            window.scrollTo(0, h1);
            return h1;
        });
        await page.waitFor(500);
        let scrollH2 = await page.evaluate(async () => {
            return document.body.scrollHeight;
        });
        let scrollResult = [scrollH1, scrollH2];
        preScrollHeight = scrollResult[0];
        scrollHeight = scrollResult[1];
    }
    let descContainerHandle = await page.$('#desc-lazyload-container');
    let descImgs = await page.evaluate(descContainer => {
        let descImgs = [];
        descContainer.querySelectorAll('img').forEach(imgElement => {
            // 遍歷保存全部的詳情頁圖片
            descImgs.push({
                src: imgElement.src
            })
        });
        return descImgs;
    }, descContainerHandle);
}

使用Trace功能

除了基本的頁面瀏覽功能，Puppeteer一樣可以調用devtool的功能，其中就包括Trace，可以自動保存網頁瀏覽的trace文件，可以成爲分析性能的輔助工具。

async function trace(url) {
/**
* ………
*/
// 頁面的trace數據會被保存到trace.json
    await page.tracing.start({path: './dist/trace.json'});
    await page.goto(url, {
        waitUnil: 'networkidle0'
    });
    await page.tracing.stop();
}

保存下來的json文件能夠經過chrome devtool加載手動分析，也能夠經過程序方式提取關鍵信息進行自動分析，如頁面加載速度、頁面展示截圖、腳本執行性能等，這個功能在自動化監控方面會有很大的想象空間。

總結

Puppeteer的出現提高了開發、測試對瀏覽器的自動化控制能力，其性能、API友好度、兼容性都遠遠超過PhantomJS，對於使用者來講，須要更多地思考如何更好地利用工具的能力，例如爬蟲的難點並不在於爬蟲工具，而是如何更有效率地抓取數據、反爬，獲取Trace後的分析一樣纔是技術難點。