使用nodejs插件puppeteer简单爬取网页数据

一. 安装插件

  1. 安装 puppeteer插件
    npm install puppeteer -S
  2. 引入puppeteer这个插件
const puppeteer = require('puppeteer');
  1. 编写一个异步的async自执行函数

二. 爬去数据(爬取豆瓣的电影数据)

  1. 使用puppetee插件启动一个浏览器,并开启一个新页面
const url = `https://movie.douban.com/explore#!type=movie&tag=%E7%BB%8F%E5%85%B8&sort=rank&page_limit=20&page_start=0`;

const brower = await puppeteer.launch({
    args: ['--no-sandbox'],
    dumpio: false
});

// 开启一个新页面
const page = await brower.newPage()   
  1. 跳转到需要爬取得页面
// 去豆瓣那个页面
await page.goto(url, {
    waitUntil: 'networkidle2'  // 网络空闲说明已加载完毕
});
  1. 由于我们要爬取两页的数据,所以要等待页面的等多数据出现,然后模拟点击
// 页面加载更多按钮出现(查找元素)
await page.waitForSelector('.more');

// 只爬取两页的数据
for (let i = 0; i < 1; i++) {
    await sleep(3000);
    // 点击加载更多
    await page.click('.more')
}
  1. 这时我们可以执行爬取我们需要的数据了,我们可以去审查页面的dom结果,来循环便利这些数据。
const result = await page.evaluate(() => {
    // 拿到页面上的jQuery
    var $ = window.$;
    var items = $('.list-wp a');
    var links = [];

    if (items.length >= 1) {
        items.each((index,item)=>{
            let it = $(item)
            let doubanId = it.find('div').data('id')

            let title = it.find('img').attr('alt')
            let rate = Number(it.find('strong').text())
            let poster = it.find('img').attr('src')

            links.push({
                doubanId,
                title,
                rate,
                poster
            })
        });
    }
    return links
});
  1. 关闭浏览器,在console里面打印我们需要的数据
// 关闭浏览器
brower.close();

console.log(result);

结果

[ { doubanId: 1292052,
    title: '肖申克的救赎',
    rate: 9.6,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg' },
  { doubanId: 1291546,
    title: '霸王别姬',
    rate: 9.5,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1910813120.jpg' },
  { doubanId: 1295644,
    title: '这个杀手不太冷',
    rate: 9.4,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p511118051.jpg' },
  { doubanId: 1292720,
    title: '阿甘正传',
    rate: 9.4,
    poster: 'https://img1.doubanio.com/view/photo/s_ratio_poster/public/p510876377.jpg' },
  { doubanId: 1292063,
    title: '美丽人生',
    rate: 9.5,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p510861873.jpg' },
  { doubanId: 1295124,
    title: '辛德勒的名单',
    rate: 9.4,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p492406163.jpg' },
  { doubanId: 1291561,
    title: '千与千寻',
    rate: 9.2,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1606727862.jpg' },
  { doubanId: 1292722,
    title: '泰坦尼克号',
    rate: 9.3,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p457760035.jpg' },
  { doubanId: 1296141,
    title: '控方证人',
    rate: 9.6,
    poster: 'https://img1.doubanio.com/view/photo/s_ratio_poster/public/p1505392928.jpg' },
  { doubanId: 3541415,
    title: '盗梦空间',
    rate: 9.3,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p513344864.jpg' },
  { doubanId: 25662329,
    title: '疯狂动物城',
    rate: 9.2,
    poster: 'https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2315672647.jpg' },
  { doubanId: 2131459,
    title: '机器人总动员',
    rate: 9.3,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1461851991.jpg' },
  { doubanId: 3011091,
    title: '忠犬八公的故事',
    rate: 9.2,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p524964016.jpg' },
  { doubanId: 3793023,
    title: '三傻大闹宝莱坞',
    rate: 9.2,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p579729551.jpg' },
  { doubanId: 1889243,
    title: '星际穿越',
    rate: 9.2,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2206088801.jpg' },
  { doubanId: 1292213,
    title: '大话西游之大圣娶亲',
    rate: 9.2,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2455050536.jpg' },
  { doubanId: 1291549,
    title: '放牛班的春天',
    rate: 9.2,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p1910824951.jpg' },
  { doubanId: 1292001,
    title: '海上钢琴师',
    rate: 9.2,
    poster: 'https://img1.doubanio.com/view/photo/s_ratio_poster/public/p511146807.jpg' },
  { doubanId: 1292064,
    title: '楚门的世界',
    rate: 9.1,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p479682972.jpg' },
  { doubanId: 1291841,
    title: '教父',
    rate: 9.2,
    poster: 'https://img3.doubanio.com/view/photo/s_ratio_poster/public/p2190556185.jpg' },
  { rate: 0 } ]

完整代码

const puppeteer = require('puppeteer');

 // 等待3000毫秒
 const sleep = time => new Promise(resolve => {
     setTimeout(resolve, time);
 })

const url = `https://movie.douban.com/explore#!type=movie&tag=%E7%BB%8F%E5%85%B8&sort=rank&page_limit=20&page_start=0`;
;(async() => {
    console.log('Start visit');

    // 启动一个浏览器
    const brower = await puppeteer.launch({
        args: ['--no-sandbox'],
        dumpio: false
    });

    const page = await brower.newPage()   // 开启一个新页面
    // 去豆瓣那个页面
    await page.goto(url, {
        waitUntil: 'networkidle2'  // 网络空闲说明已加载完毕
    });

    await sleep(3000);

    // 页面加载更多按钮出现
    await page.waitForSelector('.more');

    // 只爬取两页的数据
    for (let i = 0; i < 1; i++) {
        await sleep(3000);
        // 点击加载更多
        await page.click('.more')
    }

    // 结果
    const result = await page.evaluate(() => {
        // 拿到页面上的jQuery
        var $ = window.$;
        var items = $('.list-wp a');
        var links = [];

        if (items.length >= 1) {
            items.each((index,item)=>{
                let it = $(item)
                let doubanId = it.find('div').data('id')

                let title = it.find('img').attr('alt')
                let rate = Number(it.find('strong').text())
                let poster = it.find('img').attr('src')

                links.push({
                    doubanId,
                    title,
                    rate,
                    poster
                })
            });
        }
        return links
    });

    // 关闭浏览器
    brower.close();

    console.log(result);
   
})();

总结

  1. 使用了async和await这种写法,需要node更高的版本
  2. 爬去之后我们也可以将数据存入mongodb
  3. 最好开启一个子线程来执行这些操作。

会在下一遍文章写开启子线程来爬取数据

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 199,711评论 5 468
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 83,932评论 2 376
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 146,770评论 0 330
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 53,799评论 1 271
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 62,697评论 5 359
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,069评论 1 276
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,535评论 3 390
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,200评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,353评论 1 294
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,290评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,331评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,020评论 3 315
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,610评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,694评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,927评论 1 255
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,330评论 2 346
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 41,904评论 2 341

推荐阅读更多精彩内容