網(wǎng)頁抓取是從網(wǎng)站收集資料的極其強大的工具。透過 Puppeteer（Google 的 Node.js 無頭瀏覽器庫），您可以自動執(zhí)行頁面導(dǎo)航、點擊按鈕和提取資訊的過程，同時模仿人類瀏覽行為。本指南將以簡單、清晰且可操作的方式引導(dǎo)您了解使用 Puppeteer 進行網(wǎng)頁抓取的基本知識。

什麼是傀儡師？

Puppeteer 是一個 Node.js 函式庫，可讓您控制 Google Chrome（或 Chromium）的無頭版本。無頭瀏覽器在沒有圖形使用者介面 (GUI) 的情況下運行，使其速度更快，非常適合抓取等自動化任務(wù)。但是，如果您需要直觀地查看正在發(fā)生的情況，Puppeteer 也可以在完整瀏覽器模式下運作。

為什麼選擇 Puppeteer 進行網(wǎng)頁抓?。?

彈性：Puppeteer 可以輕鬆處理動態(tài)網(wǎng)站和單頁應(yīng)用程式 (SPA)。
JavaScript 支援：它在頁面上執(zhí)行 JavaScript，這對於抓取現(xiàn)代網(wǎng)頁應(yīng)用程式至關(guān)重要。
自動化能力：您可以執(zhí)行填寫表格、點擊按鈕甚至截圖等任務(wù)。

將代理程式與 Puppeteer 一起使用

抓取網(wǎng)站時，代理商對於避免 IP 禁令和存取地理限制內(nèi)容至關(guān)重要。代理商充當(dāng)您的抓取工具和目標(biāo)網(wǎng)站之間的中介，掩蓋您的真實 IP 位址。對於 Puppeteer，您可以透過將代理程式作為啟動參數(shù)傳遞來輕鬆整合代理：

javascript
複製程式碼
const browser = wait puppeteer.launch({
args: ['--proxy-server=your-proxy-server:port']
});
代理對於擴展抓取工作特別有用。輪換代理可確保每個請求都來自不同的 IP，從而減少偵測到的機會。住宅代理以其真實性而聞名，非常適合繞過機器人防禦，而資料中心代理速度更快、價格更便宜。選擇符合您的抓取需求的類型，並始終測試效能以確?？煽啃浴?

設(shè)定 Puppeteer

開始抓取之前，您需要設(shè)定 Puppeteer。讓我們深入了解逐步過程：
第 1 步：安裝 Node.js 和 Puppeteer
安裝Node.js：從官網(wǎng)下載並安裝Node.js。
設(shè)定 Puppeteer：開啟終端機並執(zhí)行以下命令：
重?fù)?br> 複製程式碼
npm install puppeteer

這將安裝 Puppeteer 和 Chromium，它控制的瀏覽器。
步驟 2：寫出你的第一個 Puppeteer 腳本
建立一個新的 JavaScript 檔案 scraper.js。這將容納您的抓取邏輯。讓我們編寫一個簡單的腳本來打開網(wǎng)頁並提取其標(biāo)題：
javascript
複製程式碼
const puppeteer = require('puppeteer');

(async () => {
const browser = wait puppeteer.launch();
const page = wait browser.newPage();

// 導(dǎo)覽至網(wǎng)站
等 page.goto('https://example.com');

// 擷取標(biāo)題
const title = wait page.title();
console.log(頁面標(biāo)題: ${title});

等待 browser.close();
})();

使用以下命令執(zhí)行腳本：
重?fù)?br> 複製程式碼
節(jié)點 scraper.js

您剛剛寫了第一個 Puppeteer scraper！

用於抓取的核心 Puppeteer 功能

現(xiàn)在您已經(jīng)掌握了基礎(chǔ)知識，讓我們來探索一些用於抓取的關(guān)鍵 Puppeteer 功能。

1. 導(dǎo)航至頁面
   page.goto(url) 方法可讓您開啟任何 URL。如果需要，請新增超時設(shè)定等選項：
   javascript
   複製程式碼
   wait page.goto('https://example.com', { timeout: 60000 });

2. 選擇元素
   使用 CSS 選擇器來精確定位頁面上的元素。 Puppeteer 提供以下方法：
   第一個符合的 page.$(selector)
   page.$$(選擇器) 適用於所有符合
   例：
   javascript
   複製程式碼
   const 元素=await page.$('h1');
   const text = wait page.evaluate(el => el.textContent, element);
   console.log(標(biāo)題: ${text});

3. 與元素互動
   模擬使用者交互，例如點擊和鍵入：
   javascript
   複製程式碼
   等待 page.click('#submit-button');
   wait page.type('#search-box', 'Puppeteer scraping');

4. 等待元素
   網(wǎng)頁以不同的速度載入。 Puppeteer 允許您在繼續(xù)操作之前等待元素：
   javascript
   複製程式碼
   等待 page.waitForSelector('#dynamic-content');

5. 截圖
   可視化調(diào)試或?qū)①Y料保存為圖像很容易：
   javascript
   複製程式碼
   wait page.screenshot({ path: 'screenshot.png', fullPage: true });

處理動態(tài)內(nèi)容

現(xiàn)今許多網(wǎng)站都使用 JavaScript 動態(tài)載入內(nèi)容。 Puppeteer 在這裡大放異彩，因為它執(zhí)行 JavaScript，允許您抓取頁面原始碼中可能不可見的內(nèi)容。
範(fàn)例：擷取動態(tài)資料
javascript
複製程式碼
等 page.goto('https://news.ycombinator.com');
等待 page.waitForSelector('.storylink');

const headers = wait page.$$eval('.storylink', links => links.map(link => link.textContent));
console.log('頭條新聞：', 頭條新聞);

處理驗證碼和機器人檢測

有些網(wǎng)站採取了阻止機器人的措施。 Puppeteer 可以幫助繞過簡單的檢查：
使用隱身模式：安裝 puppeteer-extra 外掛：
重?fù)?br> 複製程式碼
npm install puppeteer-extra puppeteer-extra-plugin-stealth
將其新增至您的腳本：
javascript
複製程式碼
const puppeteer = require('puppeteer-extra');
const StealthPlugin = require('puppeteer-extra-plugin-stealth');
puppeteer.use(StealthPlugin());

模仿人類行為：隨機化滑鼠移動和打字速度等動作，以顯得更加人性化。
輪換用戶代理：根據(jù)每個請求更改瀏覽器的用戶代理：
javascript
複製程式碼
wait page.setUserAgent('Mozilla/5.0 (Windows NT 10.0; Win64; x64)');

保存抓取的數(shù)據(jù)

提取資料後，您可能想要保存它。以下是一些常見的格式：
JSON：
javascript
複製程式碼
const fs = require('fs');
const data = { name: 'Puppeteer', type: 'library' };
fs.writeFileSync('data.json', JSON.stringify(data, null, 2));

CSV：使用像 csv-writer 這樣的函式庫：
重?fù)?br> 複製程式碼
npm 安裝 csv-writer
javascript
複製程式碼
const createCsvWriter = require('csv-writer').createObjectCsvWriter;

const csvWriter = createCsvWriter({
路徑: 'data.csv',
標(biāo)題：[
{ id: '姓名', title: '姓名' },
{ id: '型別', title: '型別' }
]
});

const 記錄 = [{ name: 'Puppeteer', type: 'library' }];
csvWriter.writeRecords(records).then(() => console.log('CSV 檔案已寫入。'));
道德網(wǎng)路抓取實務(wù)
在抓取網(wǎng)站之前，請記住這些道德準(zhǔn)則：
檢查服務(wù)條款：始終確保網(wǎng)站允許抓取。
尊重速率限制：避免在短時間內(nèi)發(fā)送太多請求。使用 setTimeout 或 Puppeteer 的 page.waitForTimeout() 來間隔請求：
javascript
複製程式碼
等待頁面.waitForTimeout(2000); // 等待2秒

避免敏感資料：切勿抓取個人或私人資訊。

常見問題故障排除

頁面無法正確載入：嘗試新增更長的逾時或啟用完整瀏覽器模式：
javascript
複製程式碼
const browser = wait puppeteer.launch({ headless: false });

選擇器無法運作：使用瀏覽器開發(fā)人員工具（Ctrl Shift C）檢查網(wǎng)站以確認(rèn)選擇器。
被驗證碼阻止：使用隱身插件並模仿人類行為。

常見問題 (FAQ)

1. Puppeteer 免費嗎？ 是的，Puppeteer 是開源的並且可以免費使用。
2. Puppeteer 可以抓取大量 JavaScript 的網(wǎng)站嗎？ 絕對地！ Puppeteer 執(zhí)行 JavaScript，非常適合抓取動態(tài)網(wǎng)站。
3. 網(wǎng)頁抓取合法嗎？ 這取決於。在抓取之前請務(wù)必檢查網(wǎng)站的服務(wù)條款。
4. Puppeteer 可以繞過驗證碼嗎？ Puppeteer 可以處理基本的驗證碼挑戰(zhàn)，但進階挑戰(zhàn)可能需要第三方工具。

以上是如何使用 Puppeteer 進行網(wǎng)頁抓?。撼鯇W(xué)者友善指南的詳細(xì)內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！