使用Node.js爬取任意网页资源并输出高质量PDF文件到本地~-node爬取数据

[[268220]]

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），***使用高版本服务器。（建议使用***版本的Node.js）

小试牛刀，爬取京东资源

const puppeteer = require('puppeteer'); //  引入依赖    
(async () => {   //使用async函数***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 result = await page.evaluate(() => {   //这个result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.forEach(function (item) {  
            arr.push(item.src)  
        })  
        return arr   
    });  
    // '此时的result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<a> 标签对应的跳转网页中的所有 title的文字内容，***放到一个数组中。

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 = require('puppeteer');  
(async () => {  
    const browser = await puppeteer.launch();  
    const page = await browser.newPage();  
    await page.goto('https://www.jd.com/');  
    const hrefArr = await page.evaluate(() => {  
        let arr = [];  
        const aNodes = document.querySelectorAll('.cate_menu_lk');  
        aNodes.forEach(function (item) {  
            arr.push(item.href)  
        })  
        return arr  
    });  
    let arr = [];  
    for (let i = 0; i < hrefArr.length; i++) {  
        const url = hrefArr[i];  
        console.log(url) //这里可以打印   
        await page.goto(url);  
        const result = await page.evaluate(() => { //这个方法内部console.log无效         
               return  $('title').text();  //返回每个界面的title文字内容  
        });  
        arr.push(result)  //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return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

***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 = require('puppeteer');  
const url = require('./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href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。