puppeteer 爬虫 pdf 截图 自动化

puppeteer简介

puppeteer 翻译是操纵木偶的人，利用这个工具，我们能做一个操纵页面的人。puppeteer是一个nodejs的库，支持调用Chrome的API来操纵Web，相比较Selenium或是PhantomJs,它最大的特点就是它的操作Dom可以完全在内存中进行模拟既在V8引擎中处理而不打开浏览器，而且关键是这个是Chrome团队在维护，会拥有更好的兼容性和前景。

puppeteer功能

• 生成页面的截图和PDF。
• 抓取SPA并生成预先呈现的内容（即“SSR”）。
• 从网站抓取你需要的内容。
• 自动表单提交，UI测试，键盘输入等
• 创建一个最新的自动化测试环境。使用最新的JavaScript和浏览器功能，直接在最新版本的Chrome中运行测试。
• 捕获您的网站的时间线跟踪，以帮助诊断性能问题。

puppeteer轻松入门

1. 环境和安装

Puppeteer 至少需要 Node v6.4.0，如要使用 async / await，只有 Node v7.6.0 或更高版本才支持。 node下载地址： https://nodejs.org/zh-cn/

2. 创建项目

2.1 创建test目录，进入目录执行npm init

2.2 安装 puppeteer

yarn add puppeteer 或者 npm i puppeteer

可能会出现以下报错:

1.  
   ERROR: Failed to download Chromium r515411! Set "PUPPETEER_SKIP_CHROMIUM_DOWNLOA
2.  
   D" env variable to skip download.

是因为在执行安装的过程中需要执行install.js，这里会下载Chromium,官网建议是进行跳过，我们可以执行 —ignore-scripts 忽略这个js执行。也可以通过设置环境变量set PUPPETEER_SKIP_CHROMIUM_DOWNLOAD=1阻止下载 Chromium （因为封网，直接下载会失败）

npm i --save puppeteer --ignore-scripts

2.3 手动下载Chromium

下载地址：https://download-chromium.appspot.com/ (打开蓝灯翻墙软件...)

把下载刚刚下载的文件解压出来会有chrome-win32文件夹，把里面的文件拷贝到项目新建的chromium文件夹中

2.4 新建index.js（截图功能）, 代码如下：

1.  
   const puppeteer = require('puppeteer');
2.  
    
3.  
   (async () => {
4.  
   const browser = await puppeteer.launch();
5.  
   const page = await browser.newPage();
6.  
   await page.goto('https://y.qq.com');
7.  
   await page.screenshot({path: 'yqq.png'});
8.  
   browser.close();
9.  
   })();
10.  
     

打开cmd执行index.js

1.  
   node index.js
2.  
    

这时候可能出现以下错误：

1.  
   (node:8672) UnhandledPromiseRejectionWarning: Unhandled promise rejection (rejec
2.  
   tion id: 1): AssertionError [ERR_ASSERTION]: Chromium revision is not downloaded
3.  
   . Run "npm install"
4.  
   (node:8672) [DEP0018] DeprecationWarning: Unhandled promise rejections are depre
5.  
   cated. In the future, promise rejections that are not handled will terminate the
6.  
   Node.js process with a non-zero exit code.
7.  
    

显示chromium 未下载错误，因为chromium默认的下载路径是在node_modules/puppeteer/.local-chromium/目录，这时候我们的chromium是在项目根目录，所以需要配置指定路径，修改index.js文件()：

1.  
   const puppeteer = require('puppeteer');
2.  
    
3.  
   (async () => {
4.  
   const browser = await puppeteer.launch({
5.  
   executablePath: './chromium/chrome.exe',
6.  
   headless: false
7.  
   });
8.  
   const page = await browser.newPage();
9.  
   await page.goto('http://music.163.com/');
10.  
    await page.screenshot({path: 'music.png'});
11.  
    browser.close();
12.  
    })();
13.  
     

puppeteer launch参数说明：

• executablePath： 运行Chromium或Chrome可执行文件的路径
• headless： 是否运行在浏览器headless模式，true为不打开浏览器执行，默认为true
• timeout： 等待浏览器实例启动的最长时间（以毫秒为单位）。默认为30000（30秒）。通过0禁用超时
• args： 传递给浏览器实例的其他参数

更多参数请参照官网，再次执行index.js可能出现以下错误：

1.  
   Error: Protocol error (Page.getFrameTree): 'Page.getFrameTree' wasn 't found undefined
2.  
    

刚开始找了好久没找到答案，然后上万能的Google找了下，发现了类似的问题

 

image.png

可能是chromium的版本存在差异，然后重新在chromium官网下载最新版本解压到项目（要注意下相应系统chromium）

执行index.js， 脚本运行chromium浏览器跳转到界面，截图保存到项目中，这样就成功了...

2.5 puppeteer相关地址

puppeteer神器官方文档，可以进行其他强大的功能开发...