前端爬虫cheerio&&puppeteer

前言

最近在做一个小程序项目，需要爬取第三方数据，于是开始重捡起来爬虫，其实前端爬虫挺好实现的，但因为现在网页出现了SPA，于是开始疯狂踩坑，聊记此文，以慰诸君。

普通网站爬取数据--cheerio

挺简单的，一个工具包，几行代码就解决了

const $ = require('cheerio')
const requestPromise = require('request-promise')
const url = 'https://juejin.im/books';
requestPromise(url)
    .then((html) => {
        // 利用 cheerio 来分析网页内容，拿到所有小册子的描述
        const books = $('.info', html)
        let totalSold = 0
        let totalSale = 0
        let totalBooks = books.length
        // 遍历册子节点，分别统计它的购买人数，和销售额总和
        books.each(function () {
            const book = $(this)
            const price = $(book.find('.price-text')).text().replace('￥', '')
            const count = book.find('.message').last().find('span').text().split('人')[0]
            totalSale += Number(price) * Number(count)
            totalSold += Number(count)
        })
 
        // 最后打印出来
        console.log(
            `共 ${totalBooks} 本小册子`,
            `共 ${totalSold} 人次购买`,
            `约 ${Math.round(totalSale / 10000)} 万`
        )
 
    })
复制代码

但。。。但是，上面例子爬取掘金是不行的，因为掘金就是经典的SPA，服务器只返回一个空的挂载节点，毫无数据。于是引出无头浏览器puppeteer

SPA页面爬取--puppeteer

const $ = require('cheerio');
const puppeteer = require('puppeteer');
const url = 'https://juejin.im/books';
 
async function run(params) {
    //打开一个浏览器
    const browser = await puppeteer.launch();
    // 打开一个页面
    const page = await browser.newPage();
    await page.goto(url, {
        waitUntil: 'networkidle0'
    });
    const html = await page.content();
    const books = $('.info', html);
    let totalSold = 0
    let totalSale = 0
    let totalBooks = books.length
    // 遍历册子节点，分别统计它的购买人数，和销售额总和
    books.each(function () {
        const book = $(this)
        const price = $(book.find('.price-text')).text().replace('￥', '')
        const count = book.find('.message').last().find('span').text().split('人')[0]
        totalSale += Number(price) * Number(count)
        totalSold += Number(count)
    })
 
    // 最后打印出来
    console.log(
        `共 ${totalBooks} 本小册子`,
        `共 ${totalSold} 人次购买`,
        `约 ${Math.round(totalSale / 10000)} 万`
    )
 
}
run()
复制代码

爬取小册页面数据如下