Puppeteer：浏览器控制器

Puppeteer

Puppeteer是Chrome团队开源的Node库，其提供基于DevTools协议的高阶API让开发人员可以控制Headless Chrome、Chromium、Chrome等浏览器

经过Puppeteer可以将平时手动使用浏览器的操做经过代码的方式自动化执行，例如抓取网页、填充表单、下载文件、自动化测试，甚至使用开发者工具等。

安装要求

Node v6.4.0，但建议使用v7.6.0以上，缘由是Puppeteer的不少用法都是异步的，原生支持async/await显得比较友好。

npm i --save puppeteer

起步

使用Puppeteer的流程比较简单，有点相似咱们使用浏览器的流程，按照你操做浏览器的过程获得信息的过程，一步步执行对应的代码：

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实例，至关于打开浏览器
    let page = await browser.newPage(); // 打开页面，至关于打开标签页
    await page.goto(url, {
        waitUnil: 'networkidle0'
    }); // 跳转到指定url
    /* 这里能够针对页面进行不少操做 */
    browser.close(); // 关闭浏览器
}
open('www.taobao.com');

下图是官方结构图

Page.$(selector)

经过css selector写法获取单个对象，返回<Promise<?ElementHandle>>

Page.$$(selector)

与Page.$(selector) 相似，但返回的是一组对象，<Promise<Array<ElementHandle>>>

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

获取属性

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

page.evaluate(pageFunction, ...args)

执行页面脚本

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

等待指定Dom显示、等待方法执行、等待一段时间

page.waitForNavigation(options)

等待页面跳转

---

下文将经过几个场景来展示Puppeteer的一些用法

爬虫

抓取1688的某商品详情页内容，咱们须要事先分析该页面的结构，以便可以抓取所需的信息。

商品名称	class="d-title" dom
商品信息	全局inline js iDetailConfig对象
商品缩略图	全局inline js iDetailData对象
商品详情图	id="desc-lazyload-container" dom里面全部img，使用了lazy-load

具体看下面的关键代码

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

/**
 * 抓取详情页
 * @param {Object} page 
 */
async function fetchDetail(page) {
    // 获取商品名称
    let dTitleHandle = await page.$('.d-title');  // 使用css selector格式查找商品名称，返回
    let dTitle = await page.evaluate(dTitle => dTitle.innerHTML, dTitleHandle); // 获取dom innerHTML
    let iDetailConfig = await page.evaluate(x => {
        return Promise.resolve(iDetailConfig);
    }); // 获取页面js iDetailConfig对象
    let iDetailData = await page.evaluate(x => {
        return Promise.resolve(iDetailData);
    }); // 获取页面js iDetailData对象
    let detail = {
        title: dTitle,
        offerid: iDetailConfig.offerid,
        skuProps: iDetailData.sku.skuProps,
        skuMap: iDetailData.sku.skuMap
    }; 
    /**
    * ……
    */
    // 获取sku图片和缩略图
    Object.keys(detail.skuMap).forEach(async (skuName) => {
        let selectorStr = `tr[data-sku-config] span.image[title=${skuName}]`;
        // 遍历sku信息查找对应的缩略图标签，读取data-imgs属性的json，从其中获取缩略图和原图url
        let dataImgsValue = page.evaluate(selectorStr => {
            return document.querySelector(selectorStr).dataset.imgs;
        }, selectorStr);
        let dataImgs = JSON.parse(await dataImgsValue);
        // 调用第三方库下载图片
        await saveImgs(dataImgs.preview, `${dir}/preview`);
        await saveImgs(dataImgs.original, `${dir}/original`);
        
    });
    // 加载详情图
    let preScrollHeight = 0;
    let scrollHeight = -1;
    while(preScrollHeight !== scrollHeight) {
        // 详情信息是根据滚动异步加载，因此须要让页面滚动到屏幕最下方，经过延迟等待的方式进行屡次滚动
        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 => {
            // 遍历保存全部的详情页图片
            descImgs.push({
                src: imgElement.src
            })
        });
        return descImgs;
    }, descContainerHandle);
}

使用Trace功能

除了基本的页面浏览功能，Puppeteer一样可以调用devtool的功能，其中就包括Trace，可以自动保存网页浏览的trace文件，可以成为分析性能的辅助工具。

async function trace(url) {
/**
* ………
*/
// 页面的trace数据会被保存到trace.json
    await page.tracing.start({path: './dist/trace.json'});
    await page.goto(url, {
        waitUnil: 'networkidle0'
    });
    await page.tracing.stop();
}

保存下来的json文件能够经过chrome devtool加载手动分析，也能够经过程序方式提取关键信息进行自动分析，如页面加载速度、页面展示截图、脚本执行性能等，这个功能在自动化监控方面会有很大的想象空间。

总结

Puppeteer的出现提高了开发、测试对浏览器的自动化控制能力，其性能、API友好度、兼容性都远远超过PhantomJS，对于使用者来讲，须要更多地思考如何更好地利用工具的能力，例如爬虫的难点并不在于爬虫工具，而是如何更有效率地抓取数据、反爬，获取Trace后的分析一样才是技术难点。