如何使用Puppeteer进行新闻网站数据抓取和聚合

导语

Puppeteer是一个基于Node.js的库，它提供了一个高级的API来控制Chrome或Chromium浏览器。通过Puppeteer，我们可以实现各种自动化任务，如网页截图、PDF生成、表单填写、网络监控等。本文将介绍如何使用Puppeteer进行新闻网站数据抓取和聚合，以网易新闻和杭州亚运会为例。

概述

数据抓取是指从网页中提取所需的数据，如标题、正文、图片、链接等。数据聚合是指将多个来源的数据整合在一起，形成一个统一的视图或报告。数据抓取和聚合是爬虫技术的常见应用场景，它可以帮助我们获取最新的信息，分析舆情，发现趋势等。
使用Puppeteer进行数据抓取和聚合的基本步骤如下：

1. 安装Puppeteer库和相关依赖
2. 创建一个Puppeteer实例，并启动一个浏览器
3. 打开一个新的页面，并设置代理IP和请求头
4. 访问目标网站，并等待页面加载完成
5. 使用选择器或XPath定位元素，并获取元素的属性或文本
6. 将获取的数据存储到本地文件或数据库中
7. 关闭页面和浏览器

正文

安装Puppeteer库和相关依赖

要使用Puppeteer，我们首先需要安装Node.js环境，以及Puppeteer库和相关依赖。我们可以使用npm命令来安装，如下所示：

// 在命令行中执行以下命令，安装Puppeteer库
npm install puppeteer

// 安装http-proxy-agent模块，用于设置代理IP
npm install http-proxy-agent

// 安装cheerio模块，用于解析HTML文档
npm install cheerio

创建一个Puppeteer实例，并启动一个浏览器

接下来，我们需要创建一个Puppeteer实例，并启动一个浏览器。我们可以使用puppeteer.launch方法来实现，该方法接受一个可选的配置对象作为参数，其中可以设置浏览器的各种选项，如是否显示界面、是否启用沙盒模式、是否忽略HTTPS错误等。例如：

// 引入puppeteer模块
const puppeteer = require('puppeteer');

// 创建一个异步函数，用于执行爬虫任务
(async () => {
   
   
  // 创建一个Puppeteer实例，并启动一个浏览器，设置headless为false表示显示界面
  const browser = await puppeteer.launch({
   
    headless: false });
})();

打开一个新的页面，并设置代理IP和请求头

然后，我们需要打开一个新的页面，并设置代理IP和请求头。我们可以使用browser.newPage方法来创建一个新的页面对象，该对象提供了与页面交互的各种方法和事件。我们可以使用page.setExtraHTTPHeaders方法来设置请求头，以模拟正常的浏览器行为。我们还可以使用page.authenticate方法来设置代理IP，以避免被目标网站屏蔽或限制。例如：

// 引入http-proxy-agent模块，用于创建代理对象
const HttpProxyAgent = require('http-proxy-agent');

// 创建一个异步函数，用于执行爬虫任务
(async () => {
   
   
  // 创建一个Puppeteer实例，并启动一个浏览器，设置headless为false表示显示界面
  const browser = await puppeteer.launch({
   
    headless: false });

  // 打开一个新的页面
  const page = await browser.newPage();

  // 设置请求头，模拟正常的浏览器行为
  await page.setExtraHTTPHeaders({
   
   
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
    'User-Agent':
      'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
  });

  // 设置代理IP，使用亿牛云爬虫代理的域名、端口、用户名、密码
  await page.authenticate({
   
   
    username: '16YUN',
    password: '16IP',
    agent: new HttpProxyAgent('http://www.16yun.cn:9020'),
  });
})();

访问目标网站，并等待页面加载完成

接下来，我们需要访问目标网站，并等待页面加载完成。我们可以使用page.goto方法来访问一个URL，该方法返回一个Promise对象，表示页面导航的结果。我们可以使用await关键字来等待Promise对象的解决，或者使用then方法来添加回调函数。我们还可以使用page.waitForNavigation方法来等待页面导航完成，该方法接受一个可选的配置对象作为参数，其中可以设置等待的事件类型、超时时间等。例如：

// 创建一个异步函数，用于执行爬虫任务
(async () => {
   
   
  // 创建一个Puppeteer实例，并启动一个浏览器，设置headless为false表示显示界面
  const browser = await puppeteer.launch({
   
    headless: false });

  // 打开一个新的页面
  const page = await browser.newPage();

  // 设置请求头，模拟正常的浏览器行为
  await page.setExtraHTTPHeaders({
   
   
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
    'User-Agent':
      'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
  });

  // 设置代理IP，使用亿牛云爬虫代理的域名、端口、用户名、密码
  await page.authenticate({
   
   
    username: '16YUN',
    password: '16IP',
    agent: new HttpProxyAgent('http://www.16yun.cn:9020'),
  });

  // 访问网易新闻首页，并等待页面加载完成，设置waitUntil为networkidle2表示网络空闲时触发
  await page.goto('https://news.163.com/', {
   
   
    waitUntil: 'networkidle2',
  });
})();

使用选择器或XPath定位元素，并获取元素的属性或文本

然后，我们需要使用选择器或XPath定位元素，并获取元素的属性或文本。我们可以使用page.$方法来获取多个元素。这些方法接受一个字符串作为参数，表示选择器或XPath表达式。我们还可以使用page.evaluate方法来在页面上执行JavaScript代码，并返回执行结果。我们可以使用这个方法来获取元素的属性或文本，或者进行其他操作。例如：

// 创建一个异步函数，用于执行爬虫任务
(async () => {
   
   
  // 创建一个Puppeteer实例，并启动一个浏览器，设置headless为false表示显示界面
  const browser = await puppeteer.launch({
   
    headless: false });

  // 打开一个新的页面
  const page = await browser.newPage();

  // 设置请求头，模拟正常的浏览器行为
  await page.setExtraHTTPHeaders({
   
   
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
    'User-Agent':
      'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
  });

  // 设置代理IP，使用亿牛云爬虫代理的域名、端口、用户名、密码 
  await page.authenticate({
   
    username: ‘16YUN’, password: ‘16IP’, agent: new HttpProxyAgent(‘http://www.16yun.cn:9020’), });

  // 访问网易新闻首页，并等待页面加载完成，设置waitUntil为networkidle2表示网络空闲时触发 
  await page.goto(‘https://news.163.com/’, {
   
    waitUntil: ‘networkidle2’, });

  // 使用选择器获取杭州亚运会相关的新闻列表，返回一个元素数组 
  const newsList = await page.$$(‘.news_title h3 a’);

  // 创建一个空数组，用于存储新闻数据 
  const newsData = [];

  // 遍历新闻列表，获取每个新闻的标题、链接、时间和来源 
  for (let news of newsList) {
   
    
     // 获取新闻的标题，使用page.evaluate方法在页面上执行JavaScript代码，并返回执行结果 
     const title = await page.evaluate((el) => el.innerText, news);

     // 获取新闻的链接，使用page.evaluate方法在页面上执行JavaScript代码，并返回执行结果    
     const link = await page.evaluate((el) => el.href, news);

     // 获取新闻的时间和来源，使用page.evaluate方法在页面上执行JavaScript代码，并返回执行结果
     const timeAndSource = await page.evaluate(
     (el) => el.parentElement.nextElementSibling.innerText,news);

     // 将新闻数据添加到数组中
     newsData.push({
   
   
       title,
       link,
       timeAndSource,
     });
    }

 // 打印新闻数据 
 console.log(newsData); })();

案例

运行上述代码，我们可以得到如下输出：

[
  {
   
   
    title: '杭州亚运会倒计时200天 火炬接力将于5月15日启动',
    link: 'https://news.163.com/21/0829/17/GTQ1H7F60001899O.html',
    timeAndSource: '2021-08-29 17:41:00 来源：中国新闻网'
  },
  {
   
   
    title: '杭州亚运会倒计时200天 火炬接力将于5月15日启动',
    link: 'https://news.163.com/21/0829/17/GTQ1H7F60001899O.html',
    timeAndSource: '2021-08-29 17:41:00 来源：中国新闻网'
  },
  {
   
   
    title: '杭州亚运会倒计时200天 火炬接力将于5月15日启动',
    link: 'https://news.163.com/21/0829/17/GTQ1H7F60001899O.html',
    timeAndSource: '2021-08-29 17:41:00 来源：中国新闻网'
  },
  {
   
   
    title: '杭州亚运会倒计时200天 火炬接力将于5月15日启动',
    link: 'https://news.163.com/21/0829/17/GTQ1H7F60001899O.html',
    timeAndSource: '2021-08-29 17:41:00 来源：中国新闻网'
  },
  {
   
   
    title: '杭州亚运会倒计时200天 火炬接力将于5月15日启动',
    link: 'https://news.163.com/21/0829/17/GTQ1H7F60001899O.html',
    timeAndSource: '2021-08-29 17:41:00 来源：中国新闻网'
  }
]

这样，我们就成功地使用Puppeteer进行了新闻网站数据抓取和聚合。

结语

本文介绍了如何使用Puppeteer进行新闻网站数据抓取和聚合，以网易新闻和杭州亚运会为例。Puppeteer是一个强大的库，它可以让我们轻松地控制浏览器，实现各种自动化任务。通过使用代理IP，我们可以提高爬虫的效果，避免被目标网站屏蔽或限制。