【爬取网页资源】Node.js和puppeteer的官网地址(puppeteer爬取网页数据)

本文适合无论是否有爬虫以及Node.js基础的朋友观看~

需求：

• 使用Node.js爬取网页资源，开箱即用的配置
• 将爬取到的网页内容以PDF格式输出

如果你是一名技术人员，那么可以看我接下来的文章，否则，请直接移步到我的github仓库，直接看文档使用即可

仓库地址:附带文档和源码,别忘了给个star哦

本需求使用到的技术：Node.js和puppeteer

• puppeteer 官网地址: puppeteer地址
• Node.js官网地址:链接描述
• Puppeteer是谷歌官方出品的一个通过DevTools协议控制headless Chrome的Node库。可以通过Puppeteer的提供的api直接控制Chrome模拟大部分用户操作来进行UI Test或者作为爬虫访问页面来收集数据。
• 环境和安装
• Puppeteer本身依赖6.4以上的Node，但是为了异步超级好用的async/await，推荐使用7.6版本以上的Node。另外headless Chrome本身对服务器依赖的库的版本要求比较高，centos服务器依赖偏稳定，v6很难使用headless Chrome，提升依赖版本可能出现各种服务器问题（包括且不限于无法使用ssh），最好使用高版本服务器。（建议使用最新版本的Node.js）

小试牛刀，爬取京东资源

const puppeteer = qui(puppeteer); // 引入依赖 (async () = { //使用async函数完美异步 const browser = await puppeteer.launch(); //打开新的浏览器 const page = await browser.newPage(); // 打开新的网页 await page.goto(https://www.jd.com/); //前往里面 url 的网页 const sult = await page.evaluate(() = { //这个sult数组包含所有的图片src地址 let arr = []; //这个箭头函数内部写处理的逻辑 const imgs = document.querySelectorAll(img); imgs.foach(function (item) { arr.push(item.src) }) turn arr }); // 此时的sult就是得到的爬虫数据，可以通过fs模块保存 })() 复制过去 使用命令行命令 ` node 文件名 ` 就可以运行获取爬虫数据了 这个 puppeteer 的包 ，其实是替我们开启了另一个浏览器，重新去开启网页，获取它们的数据。

• 上面只爬取了京东首页的图片内容，假设我的需求进一步扩大，需要爬取京东首页

中的所有

• 我们的async函数上面一共分了五步， 只有 puppeteer.launch() ,

browser.newPage(), browser.close() 是固定的写法。

• page.goto 指定我们去哪个网页爬取数据，可以更换内部url地址，也可以多次

调用这个方法。

• page.evaluate 这个函数，内部是处理我们进入想要爬取网页的数据逻辑
• page.goto和 page.evaluate两个方法，可以在async内部调用多次，

那意味着我们可以先进入京东网页，处理逻辑后，再次调用page.goto这个函数，

注意，上面这一切逻辑，都是puppeteer这个包帮我们在看不见的地方开启了另外一个

浏览器，然后处理逻辑，所以最终要调用browser.close()方法关闭那个浏览器。

这时候我们对上一篇的代码进行优化，爬取对应的资源。

const puppeteer = qui(puppeteer); (async () = { const browser = await puppeteer.launch(); const page = await browser.newPage(); await page.goto(https://www.jd.com/); const hfArr = await page.evaluate(() = { let arr = []; const aNodes = document.querySelectorAll(.cate_menu_lk); aNodes.foach(function (item) { arr.push(item.hf) }) turn arr }); let arr = []; for (let i = 0; i< hfArr.length; i++) { const url = hfArr[i]; console.log(url) //这里可以打印 await page.goto(url); const sult = await page.evaluate(() = { //这个方法内部console.log无效 turn $(title).text(); //返回每个界面的title文字内容 }); arr.push(sult) //每次循环给数组中添加对应的值 } console.log(arr) //得到对应的数据 可以通过Node.js的 fs 模块保存到本地 await browser.close() })()

上面有天坑 page.evaluate函数内部的console.log不能打印，而且内部不能获取外部的变量,只能turn返回，

使用的选择器必须先去对应界面的控制台实验过能不能选择DOM再使用，比如京东无法使用querySelector。这里由于

京东的分界面都使用了jQuery，所以我们可以用jQuery，总之他们开发能用的选择器，我们都可以用，否则就不可以。

接下来我们直接来爬取Node.js的官网首页然后直接生成PDF

无论您是否了解Node.js和puppeteer的爬虫的人员都可以操作，请您一定万分仔细阅读本文档并按顺序执行每一步

本项目实现需求：给我们一个网页地址，爬取他的网页内容，然后输出成我们想要的PDF格式文档，请注意，是高质量的PDF文档

• 第一步，安装Node.js ,推荐http://nodejs.cn/download/，Node.js的中文官网下载对应的操作系统包
• 第二步，在下载安装完了Node.js后， 启动windows命令行工具(windows下启动系统搜索功能，输入cmd，回车，就出来了)
• 第三步 需要查看环境变量是否已经自动配置,在命令行工具中输入 node -v，如果出现 v10. ***字段，则说明成功安装Node.js
• 第四步 如果您在第三步发现输入node -v还是没有出现 对应的字段，那么请您重启电脑即可
• 第五步 打开本项目文件夹，打开命令行工具（windows系统中直接在文件的url地址栏输入cmd就可以打开了），输入 npm i cnpm nodemon -g
• 第六步 下载puppeteer爬虫包，在完成第五步后，使用cnpm i puppeteer --save 命令 即可下载
• 第七步 完成第六步下载后，打开本项目的url.js，将您需要爬虫爬取的网页地址替换上去(默认是http://nodejs.cn/)
• 第八步 在命令行中输入 nodemon index.js 即可爬取对应的内容，并且自动输出到当前文件夹下面的index.pdf文件中

TIPS: 本项目设计思想就是一个网页一个PDF文件，所以每次爬取一个单独页面后，请把index.pdf拷贝出去，然后继续更换url地址，继续爬取，生成新的PDF文件，当然，您也可以通过循环编译等方式去一次性爬取多个网页生成多个PDF文件。

对应像京东首页这样的开启了图片懒加载的网页，爬取到的部分内容是loading状态的内容，对于有一些反爬虫机制的网页，爬虫也会出现问题，但是绝大多数网站都是可以的

const puppeteer = qui(puppeteer); const url = qui(./url); (async () = { const browser = await puppeteer.launch({ headless: true }) const page = await browser.newPage() //选择要打开的网页 await page.goto(url, { waitUntil: networkidle0 }) //选择你要输出的那个PDF文件路径，把爬取到的内容输出到PDF中，必须是存在的PDF，可以是空内容，如果不是空的内容PDF，那么会覆盖内容 let pdfFilePath = ./index.pdf; //根据你的配置选项，我们这里选择A4纸的规格输出PDF，方便打印 await page.pdf({ path: pdfFilePath, format: A4, scale: 1, printBackground: true, landscape: false, displayHeaderFooter: false }); await browser.close() })()

文件解构设计

数据在这个时代非常珍贵，按照网页的设计逻辑，选定特定的hf的地址，可以先直接获取对应的资源，也可以通过再次使用 page.goto方法进入，再调用 page.evaluate() 处理逻辑，或者输出对应的PDF文件，当然也可以一口气输出多个PDF文件~

这里就不做过多介绍了，毕竟 Node.js 是可以上天的，或许未来它真的什么都能做。这么优质简短的教程，请收藏

或者转发给您的朋友，谢谢。

天下数据是国内屈指可数的拥有多处海外自建机房的新型IDC服务商，被业界公认为“中国IDC行业首选品牌”。

天下数据与全球近120多个国家顶级机房直接合作，提供包括香港、美国、韩国、日本、台湾、新加坡、荷兰、法国、英国、德国、埃及、南非、巴西、印度、越南等国家和地区的服务器、云服务器的租用服务，需要的请联系天下数据客服！

除提供传统的IDC产品外，天下数据的主要职责是为大中型企业提供更精细、安全、满足个性需求的定制化服务器解决方案，特别是在直销、金融、视频、流媒体、游戏、电子商务、区块链、快消、物联网、大数据等诸多行业，为广大客户解决服务器租用中遇到的各种问题。