使用puppeteer的网页爬虫.zip

# nodejs-crawl #### 介绍 使用puppeteer的网页数据爬虫 #### 可爱的爬虫 - 魔兽世界代练 https://www.g2g.com/categories/wow-boosting-service?sort=most_recent - FIFA金币站评论 https://futcoin.net/en/reviews - FIFA23球员背景卡及CSS https://www.futbin.com/players #### 获取爬虫 1. 获取已有爬虫可关注git源码库 - https://gitee.com/yamiwamiyu/nodejs-crawl - https://github.com/yamiwamiyu/nodejs-crawl 2. 定制爬虫和学习，可联系作者 - QQ: 359602182 - 微信: yamiwamiyu #### 安装教程 ``` npm i @yamiwamiyu/nodejs-crawl ``` #### 使用和参数说明 1. 翻页爬行采集 ``` const { pageCrawl } = require('@yamiwamiyu/nodejs-crawl'); pageCrawl({ // 配置信息，'*' 开头表示必须 // 浏览器相关设置 ↓ // 使用你本地安装的浏览器进行操作 chrome: "C:/Program Files (x86)/Google/Chrome/Application/chrome.exe", // 在你已经打开的Chrome浏览器的某个页签里操作(开发时推荐使用) // 这需要你的浏览器开启远程调试功能，开启方法如下 // 假如你是Windows系统，Chrome浏览器位于C:\Program Files (x86)\Google\Chrome\Application\chrome.exe // - CMD: 打开控制台(Win + R, 输入cmd回车)，输入"C:\Program Files (x86)\Google\Chrome\Application\chrome.exe" --remote-debugging-port=9222 // - 快捷方式: 鼠标右键 -> 新建 -> 快捷方式，输入"C:\Program Files (x86)\Google\Chrome\Application\chrome.exe" --remote-debugging-port=9222，双击打开 // - 代码开启：require('child_process').exec('"C:\Program Files (x86)\Google\Chrome\Application\chrome.exe" --remote-debugging-port=9222') port: 9222, // 不显示浏览器 headless: true, // 采集器相关设置 ↓ // * 采集的数据输出的文件名，不配置会不输出文件 output: __filename, // 输出.csv文件，不配置默认输出.json文件 csv: true, // * 采集数据的目标网站url，地址打开应该可以采集到数据的第一页 url: "https://www.npmjs.com/package/@yamiwamiyu/nodejs-crawl", // * 翻页按钮的DOM元素selector，如果页面没有按钮或按钮禁用就会结束爬行 // selector可参考教程https://www.runoob.com/cssref/css-selectors.html // 可以直接是字符串例如next: ".next-button-selector" // 可以是function(已经采集的页数)，返回空时可以结束爬行 next: (pageCount) => { // 采集10页后结束 if (pageCount == 10) return; return ".next-button-selector"; }, // 每采集到一页数据时回调 ondata: (data, url) => { console.log("当前页", url, "采集到的数据", data); }, // 接口采集 ↓ (接口必须是返回json格式数据，否则请简单修改源码部分) // * 接口的url，包含部分即可 request: 'api/test?', // * 请根据接口返回的json数据，返回最终的数据数组 // 例如数据格式为 { code: 0, msg: null, results: [{},{},{},{}] } json: (i) => i.results, // 页面采集 ↓ // 等待数据渲染完成的关键DOM元素的selector wait: ".all-datas-selector", // * 从页面采集数据，JS的DOM操作，最终返回数据数组 // 你应该到浏览器的调试工具控制台中先写好再粘贴到这里 dom: () => { var data = []; var comments = document.querySelectorAll(".all-datas-selector"); for (var c of comments) { data.push({ 'key1': c.querySelector(".value1").innerText, 'key2': c.querySelector(".value2").dataset.id, 'key3': c.querySelector(".value3").src, }) } return data; }, }) ``` 2. 直接接口采集 ``` const { xhrCrawl } = require('@yamiwamiyu/nodejs-crawl'); // 循环构建每页的接口参数 const datas = []; for (let i = 1; i <= 2; i++) { datas.push({ service_id: 'lgc_service_18', brand_id: 'lgc_game_2299', sort: 'most_recent', page: i, page_size: 48, currency: 'CNY', country: 'CN', }) } // 发起接口拉取数据 await xhrCrawl({ // 接口并发的数量，默认4 queue: 4, // GET或POST，默认GET method: "GET", // HTTP请求头 headers: { header1: "value1", header2: "value2", }, // * 需要采集的每页的接口参数 datas: datas, // 以下参数均和 pageCrawl 方法的参数一致 // * 接口地址 url: "https://sls.g2g.com/offer/search", // * 请根据接口返回的json数据，返回最终的数据数组 json: (i) => i.payload.results, // 每采集到一页数据时回调 ondata: (data, param) => { console.log("当前接口参数", param, "采集到了数据", data.length, "条"); }, // * 采集的数据输出的文件名，不配置会不输出文件 output: __filename, // 输出.csv文件，不配置默认输出.json文件 csv: true, }); ``` #### 实战使用示例 1. 通过接口获取数据 ``` const { pageCrawl } = require('@yamiwamiyu/nodejs-crawl'); pageCrawl({ output: __filename, // 接口地址 request: "offer/search?", // json数据 json: (i) => i.payload.results, url: "https://www.g2g.com/categories/wow-boosting-service?sort=most_recent", next: (i) => { // 测试只采集2页 if (i == 2) return; return '.q-pagination>button:last-child'; }, }) ``` 2. 通过页面获取数据 ``` const { pageCrawl } = require('@yamiwamiyu/nodejs-crawl'); pageCrawl({ output: __filename, url: "https://futcoin.net/en/reviews", // 等待页面渲染完成的关键DOM元素的selector wait: ".fc-comment .uk-first-column .uk-text-left", // 从页面采集数据 dom: () => { var array = []; var comments = document.querySelectorAll(".fc-comment"); for (var c of comments) { array.push({ 'user': c.querySelector(".uk-first-column .uk-text-left").innerText, 'nation': ((i) => { var index = i.lastIndexOf('/') + 1; return i.substring(index, index + 2).toUpperCase(); })(c.querySelector(".uk-first-column [data-uk-img]").dataset.src), 'time': c.querySelector(".uk-first-column .uk-text-muted").innerText, 'coin': ((i) => { return i = i.substring(1, i.indexOf(' ', 1)).replaceAll(',', ''); })(c.querySelector(".uk-width-expand .uk-first-column").innerText), 'platform': c.querySelector(".uk-width-expand .uk-text-nowrap").innerText, 'star': c.querySelector(".fc-comment-rating").querySelectorAll(".fc-icon-star").length, 'content': c.querySelector(".uk-card>.uk-text-left").innerText, }) } return array; }, next: (i) => { // 测试只采集2页 if (i == 2) return; return '[data-uk-icon="arrow-right"]'; }, // 输出成csv csv: true, }) ``` 3. 一边拉取数据一边保存，下次从上次拉取到的位置继续 ``` const { pageCrawl, writeCSVLines } = require('@yamiwamiyu/nodejs-crawl'); const fs = require('fs'); const file = __dirname + "/data.csv" // 没有数据文件则先创建数据文件 if (!fs.existsSync(file)) fs.writeFileSync(file, ""); pageCrawl({ // ... 其它参数设置 // 不再对最终采集到的所有数据进行文件输出 output: '', // 采集到一页数据后就追加到数据文件末尾 ondata(data) { fs.appendFileSync(file, writeCSVLines(data)); }, }) ``` 4. 直接接口并发采集，采集速度快 ``` const { xhrCrawl } = require('@yamiwamiyu/nodejs-crawl'); // 循环构建每页的接口参数 const datas = []; for (let i = 1; i <= 2; i++) { datas.push({ service_id: 'lgc_service_18', brand_id: 'lgc_game_2299', sort: 'most_recent', page: i, page_size: 48, currency: 'CNY', country: 'CN', }) } // 发起接口拉取数据 await xhrCrawl({ datas, url: "https://sls.g2g.com/offer/search", json: (i) => i.payload.results, output: __filename, }); ```