【第1115期】Puppeteer: 更友好的 Headless Chrome Node API

时间:2022-12-20 19:20:19

前言

前几天推送的这个哇,下载前端早读课PDF啦 主要用的技术就是今日用的这个。今日早读文章由@谦行分享。

正文从这开始~

很早很早之前,前端就有了对 headless 浏览器的需求,最多的应用场景有两个

  • UI 自动化测试:摆脱手工浏览点击页面确认功能模式

  • 爬虫:解决页面内容异步加载等问题

也就有了很多杰出的实现,前端经常使用的莫过于 PhantomJS 和 selenium-webdriver,但两个库有一个共性——难用!环境安装复杂,API 调用不友好,1027 年 Chrome 团队连续放了两个大招 Headless Chrome 和对应的 NodeJS API Puppeteer,直接让 PhantomJS 和 Selenium IDE for Firefox 作者悬宣布没必要继续维护其产品

Puppeteer

如同其 github 项目介绍:Puppeteer 是一个通过 DevTools Protocol 控制 headless chrome 的 high-level Node 库,也可以通过设置使用 非 headless Chrome

我们手工可以在浏览器上做的事情 Puppeteer 都能胜任

  • 生成网页截图或者 PDF

  • 爬取大量异步渲染内容的网页,基本就是人肉爬虫

  • 模拟键盘输入、表单自动提交、UI 自动化测试

官方提供了一个 playground,可以快速体验一下。关于其具体使用不在赘述,官网的 demo 足矣让完全不了解的同学入门

const puppeteer = require('puppeteer');(async () => {
 
const browser = await puppeteer.launch();
 
const page = await browser.newPage();
 await page
.goto('https://example.com');
 await page
.screenshot({path: 'example.png'});

 await browser
.close();})();

实现网页截图就这么简单,自己也实现了一个简单的爬取百度图片的搜索结果的 demo,代码不过 40 行,用过 selenium-webdriver 的同学看了会流泪,接下来介绍几个好玩的特性

哲学

虽然 Puppeteer API 足够简单,但如果是从 webdriver 流转过来的同学会很不适应,主要是在 webdirver 中我们操作网页更多的是从程序的视角,而在 Puppeteer 中网页浏览者的视角。举个简单的例子,我们希望对一个表单的 input 做输入

webdriver 流程

  • 通过选择器找到页面 input 元素

  • 给元素设置值

const input = await driver.findElement(By.id('kw'));await input.sendKeys('test');

Puppeteer 流程

  • 光标应该 focus 到元素上

  • 键盘点击输入

await page.focus('#kw');await page.keyboard.sendCharacter('test');

在使用中可以多感受一下区别,会发现 Puppeteer 的使用会自然很多

async/await

看官方的例子就可以看出来,几乎所有的操作都是异步的,如果坚持使用回调或者 Promise.then 写出来的代码会非常丑陋且难读,Puppeteer 官方推荐的也是使用高版本 Node 用 async/await 语法

const puppeteer = require('puppeteer');(async () => {
 
const browser = await puppeteer.launch();
 
const page = await browser.newPage();
 await page
.goto('https://news.ycombinator.com', {waitUntil: 'networkidle'});
 await page
.pdf({path: 'hn.pdf', format: 'A4'});

 await browser
.close();})();

查找元素

这是 UI 自动化测试最常用的功能了,Puppeteer 的处理也相当简单

  • page.$(selector)

  • page.$$(selector)

这两个函数分别会在页面内执行 document.querySelector 和 document.querySelectorAll,但返回值却不是 DOM 对象,如同 jQuery 的选择器,返回的是经过自己包装的 Promise<ElementHandle>,ElementHandle 帮我们封装了常用的 click 、boundingBox 等方法

获取 DOM 属性

我们写爬虫爬取页面图片列表,感觉可以通过 page.$$(selector) 获取到页面的元素列表,然后再去转成 DOM 对象,获取 src,然后并不行,想做对获取元素对应 DOM 属性的获取,需要用专门的 API

  • page.$eval(selector, pageFunction[, …args])

  • page.$$eval(selector, pageFunction[, …args])

大概用法

const searchValue = await page.$eval('#search', el => el.value);const preloadHref = await page.$eval('link[rel=preload]', el => el.href);const html = await page.$eval('.main-container', e => e.outerHTML);
const divsCounts = await page.$$eval('div', divs => divs.length);

值得注意的是如果 pageFunction 返回的是 Promise,那么 page.$eval 会等待方法 resolve

evaluate

如果我们有一些及其个性的需求,无法通过 page.$() 或者 page.$eval() 实现,可以用大招——evaluate,有几个相关的 API

  • page.evaluate(pageFunction, …args)

  • page.evaluateHandle(pageFunction, …args):

  • page.evaluateOnNewDocument(pageFunction, …args)

这几个函数非常类似,都是可以在页面环境执行我们舒心的 JavaScript,区别主要在执行环境和返回值上

前两个函数都是在当前页面环境内执行,的主要区别在返回值上,第一个返回一个 Serializable 的 Promise,第二个返回值是前面提到的 ElementHandle 对象父类型 JSHandle 的 Promise

const result = await page.evaluate(() => {
 
return Promise.resolve(8 * 7);});console.log(result); // prints "56"const aWindowHandle = await page.evaluateHandle(() => Promise.resolve(window));aWindowHandle; // Handle for the window object. 相当于把返回对象做了一层包裹

page.evaluateOnNewDocument(pageFunction, …args) 是在 browser 环境中执行,执行时机是文档被创建完成但是 script 没有执行阶段,经常用于修改 JavaScript 环境

注册函数

page.exposeFunction(name, puppeteerFunction) 用于在 window 对象注册一个函数,我们可以添加一个 window.readfile 函数

const puppeteer = require('puppeteer');const fs = require('fs');puppeteer.launch().then(async browser => {
 
const page = await browser.newPage();
 page
.on('console', msg => console.log(msg.text));

 
// 注册 window.readfile
 await page
.exposeFunction('readfile', async filePath => {
   
return new Promise((resolve, reject) => {
     fs
.readFile(filePath, 'utf8', (err, text) => {
       
if (err)
         reject
(err);
       
else
         resolve
(text);
     
});
   
});
 
});

 await page
.evaluate(async () => {
   
// use window.readfile to read contents of a file
   
const content = await window.readfile('/etc/hosts');
   console
.log(content);
 
});
 await browser
.close();});

修改终端

Puppeteer 提供了几个有用的方法让我们可以修改设备信息

  • page.setViewport(viewport)

  • page.setUserAgent(userAgent)

await page.setViewport({
 width
: 1920,
 height
: 1080});await page.setUserAgent('Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36');

page.emulateMedia(mediaType):可以用来修改页面访问的媒体类型,但仅仅支持

  • screen

  • print

  • null:禁用 media emulation

page.emulate(options):前面介绍的几个函数相当于这个函数的快捷方式,这个函数可以设置多个内容

  • viewport

  • width

  • height

  • deviceScaleFactor

  • isMobile

  • hasTouch

  • isLandscape

  • userAgent

puppeteer/DeviceDescriptors 还给我们提供了几个大礼包

const puppeteer = require('puppeteer');const devices = require('puppeteer/DeviceDescriptors');const iPhone = devices['iPhone 6'];puppeteer.launch().then(async browser => {
 
const page = await browser.newPage();
 await page
.emulate(iPhone);
 await page
.goto('https://www.google.com');
 
// other actions...
 await browser
.close();});

键盘

  • keyboard.down

  • keyboard.up

  • keyboard.press

  • keyboard.type

  • keyboard.sendCharacter

// 直接输入、按键page.keyboard.type('Hello World!');page.keyboard.press('ArrowLeft');// 按住不放page.keyboard.down('Shift');for (let i = 0; i < ' World'.length; i++)
 page
.keyboard.press('ArrowLeft');page.keyboard.up('Shift');page.keyboard.press('Backspace');page.keyboard.sendCharacter('嗨');

鼠标 & 屏幕

  • mouse.click(x, y, [options]): options 可以设置

  • button

  • clickCount

  • mouse.move(x, y, [options]): options 可以设置

  • steps

  • mouse.down([options])

  • mouse.up([options])

  • touchscreen.tap(x, y)

页面跳转控制

这几个 API 比较简单,不在展开介绍

  • page.goto(url, options)

  • page.goback(options)

  • page.goForward(options)

事件
Puppeteer 提供了对一些页面常见事件的监听,用法和 jQuery 很类似,常用的有

  • console:调用 console API

  • dialog:页面出现弹窗

  • error:页面 crash

  • load

  • pageerror:页面内未捕获错误

page.on('load', async () => {
 console
.log('page loading done, start fetch...');

 
const srcs = await page.$$eval((img) => img.src);
 console
.log(`get ${srcs.length} images, start download`);

 srcs
.forEach(async (src) => {
   
// sleep
   await page
.waitFor(200);
   await srcToImg
(src, mn);
 
});

 await browser
.close();});

性能

通过 page.getMetrics() 可以得到一些页面性能数据

  • Timestamp The timestamp when the metrics sample was taken.

  • Documents 页面文档数

  • Frames 页面 frame 数

  • JSEventListeners 页面内事件监听器数Nodes 页面 DOM 节点数

  • LayoutCount 页面 layout 数

  • RecalcStyleCount 样式重算数

  • LayoutDuration 页面 layout 时间

  • RecalcStyleDuration 样式重算时长

  • ScriptDuration script 时间

  • TaskDuration 所有浏览器任务时长

  • JSHeapUsedSize JavaScript 占用堆大小

  • JSHeapTotalSize JavaScript 堆总量

{ 
 
Timestamp: 382305.912236,
 
Documents: 5,
 
Frames: 3,
 
JSEventListeners: 129,
 
Nodes: 8810,
 
LayoutCount: 38,
 
RecalcStyleCount: 56,
 
LayoutDuration: 0.596341000346001,
 
RecalcStyleDuration: 0.180430999898817,
 
ScriptDuration: 1.24401400075294,
 
TaskDuration: 2.21657899935963,
 
JSHeapUsedSize: 15430816,
 
JSHeapTotalSize: 23449600 }

最后

本文知识介绍了部分常用的 API,全部的 API 可以在 github 上查看,由于 Puppeteer 还没有发布正式版,API 迭代比较迅速,在使用中遇到问题也可以在 issue 中反馈。

在 0.11 版本中只有 page.$eval 并没有 page.$$eval,使用的时候只能通过 page.evaluate,通过大家的反馈,在 0.12 中已经添加了该功能,总体而言 Puppeteer 还是一个十分值得期待的 Node headless API

参考

  • Getting Started with Headless Chrome

  • 无头浏览器 Puppeteer 初探

  • Getting started with Puppeteer and Chrome Headless for Web Scraping

最后,为你推荐

【视频教程】webpack3.x视频教程 全网首发


关于本文

作者:@谦行

原文:https://www.cnblogs.com/dolphinX/p/7715268.html


【第1115期】Puppeteer: 更友好的 Headless Chrome Node API