一个简单的puppeteer例子

工具和资料

• QQ群 - Javascript高级爬虫 (832946826) - 作者自建群，欢迎加入！
• awesome-java-crawler - 作者收集的爬虫相关工具和资料

前言

本脚本作用是抓取掌阅书城里男频女频各分类的已完结书籍信息，按好评排序只抓前三页。
这个页面没有任何反爬措施，适合作为简单例子。

大概开发流程：

• 人工分析页面，解析URL和分页、分类等关键参数
• 人工分析页面内容，控制台验证数据提取方法
• 编码

代码说明：

• 前面的pids和cids这两个常数数组都是事先在页面上查看超链接收集的。
• 用来进行数据提取的f方法，实际上是转化为字符串后通过page.evaluate在浏览器中执行的，而不是在node环境中。但因为两侧语言一致，可以直接和node源码写在一起，从而获取IDE支持，而在其它语言中js代码只能以字符串形式存在
• puppeteer的page.evaluate可以直接将浏览器侧脚本返回的对象直接传递到node侧，非常方便

源码

const fs = require("fs")
const puppeteer = require('puppeteer');

const url = "http://www.ireader.com/index.php?ca=booksort.index&pca=booksort.index&pid=$pid&order=score&status=3&cid=$cid&page=$page"
const pids = [10, 68]; // 男频，女频
const cids = [[11, 27, 19, 22, 16, 39, 42, 50, 54, 57, 60], [69, 74, 82, 86, 89, 90, 91, 723]]; // 频道中的分类ID

(async () => {
    const browser = await puppeteer.launch({ // 启动chrome浏览器
        // headless: false, // 是否无头模式，可以先在有头模式下调试，无误后切换成无头模式以提升效率
        ignoreDefaultArgs: ["--enable-automation"], // 去掉chrome启动参数中的--enable-automation
    });
    const page = await browser.newPage();
    const f = () => {
        return Array.from($('.bookMation')).map(e => {
            const id = $('h3 a', e).attr('href').match(/bid=(\d+)/)[1] // 用正则提取链接中的bid
            const title = $('h3 a', e).text()
            const author = $('p.tryread', e).text().replace('试读', '').trim()
            const desc = $('p.introduce', e).text()
            return {id, title, author, desc}
        })
    }
    let result = [];
    for (const i in pids) {
        const pid = pids[i]
        for (cid of cids[i]) {
            for (let pg = 1; pg < 4; pg++) { // 只抓前三页
                const u = url.replace("$cid", cid).replace("$pid", pid).replace("$page", pg)
                await page.goto(u);
                const res = await page.evaluate(f)
                res.forEach(e => { e.cid = cid; e.pid = pid })
                result = result.concat(res)
                console.log("page " + pg + " done")
            }
            console.log("cid " + cid + " done")
        }
        console.log("pid " + pid + " done")
    }
    fs.writeFileSync("d:/tmp/ireader_hot.json", JSON.stringify(result), {encoding: "utf-8"})
    console.log("all done")
      await browser.close(); // 关闭浏览器
})();