如何使用puppeteer爬取網站并抓出404無效鏈接

這篇文章主要介紹如何使用puppeteer爬取網站并抓出404無效鏈接，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

檢查網頁無效鏈接

前言

自動化技術可以幫助我們做自動化測試，同樣也可以幫助我們完成別的事情，比如今天我們要做的檢查網站404無效鏈接。

原理

實現這樣的功能，大致分為以下步驟： 1.打開官網首頁，獲取頁面上所有的鏈接。 2.添加規則對這些鏈接過濾，把外鏈去掉。 3.遍歷訪問這些鏈接，打開打開其中的每一個鏈接，檢查是否為404，如果是距離下來。 4.重復執行1，2，3。直到把整個網站所有的鏈接都遍歷完。

準備

CukeTest 一款可以專業的編輯自動化腳本的工具。cuketest.com/

puppeteer 一個非常流行自動化庫。https://github.com/GoogleChrome/puppeteer

實現

CukeTest中新建一個項目。

刪掉features目錄。新建一個demo.js文件。

安裝puppeteer

npm install puppeteer --save

主要方法講解

pupputeer內置監聽事件，可以很快拿到每個請求的響應結果。

puppeteer可以創建Chromium實例。創建方式如下：

let puppeteer = require('puppeteer'); 
browser = await puppeteer.launch({ headless: true });
page = await browser.newPage();
await browser.close();

puppeteer 提供事件監聽，可以監聽到每個頁面的響應狀態，為每個請求添加響應事件，如果響應狀態碼為404，記錄到文件中。

page.on('response',(res)=>{
 // console.log("res.url", res.url(), res.status())
 let url = res.url();
 if(res.status()==404){
  linktoFile(url, brokenlinkFile);
 }else{
  if(isvaildUrl(url)){
   linktoFile(url,validUrlFilePath);
  }
  
 } 
})

puppeteer抓取頁面上所有的鏈接

await page.goto(url);
//獲取所有的link
const hrefs = await page.evaluate(
 () => Array.from(document.body.querySelectorAll('a[href]'), ({ href }) => href)
);

將鏈接記錄到文件或者從文件讀取鏈接的方法

let filetoLinks = function (filepath) {
 if (!fs.existsSync(filepath)) {
  fs.writeFileSync(filepath);
 }
 let data = fs.readFileSync(filepath, 'utf-8')
 let links = data.trim().split('\n');
 return links;
}

let linktoFile = function (link, filepath) {
 let foundLinks = filetoLinks(filepath);
 if (!foundLinks.includes(link)) {
  fs.appendFileSync(filepath, link + '\n');
 }
}

最終代碼

let puppeteer = require('puppeteer');
const fs = require('fs');
const path = require('path');


const host = 'http://www.xxxx.cn/'; // 被測網站
const visitedFile = 'visitedUrl.txt'; //瀏覽過的頁面
const visitedFilePath = path.join(__dirname, visitedFile);
const brokenlinkFile = 'brokenLink.txt'; //404鏈接
const brokenlinkFilePath = path.join(__dirname, brokenlinkFile);

const validUrlFile = 'validUrlFile.txt'; //可用的鏈接
const validUrlFilePath = path.join(__dirname,validUrlFile);

let browser;
let page;

function isvaildUrl(url){
 return url.startsWith(host) && !url.includes('/#');
}

async function run() {
 browser = await puppeteer.launch({ headless: true });

 page = await browser.newPage();
 page.on('response',(res)=>{
  // console.log("res.url", res.url(), res.status())
  let url = res.url();
  let currenturl = page.url()
  if(res.status()==404){
   linktoFile(currenturl+"=="+url, brokenlinkFilePath);
  }else{
   if(isvaildUrl(url)){
    linktoFile(url,validUrlFilePath);
   }
   
  } 
 })

 await visitPage(browser,page, host);

 await browser.close();

}

async function visitPage(browser,page, url) {
 // if (!isvaildUrl(url)) return;
 await page.goto(url);
 //獲取所有的link
 const hrefs = await page.evaluate(
  () => Array.from(document.body.querySelectorAll('a[href]'), ({ href }) => href)
 );

 for (const href of hrefs) {
  //數據清洗
  if (isvaildUrl(href) && href !== host) {
   
   //符合條件的link
   // linktoFile(href, visitedFilePath);
   let res = await page.goto(href);
   
   if (res && res.status() == 404) {
    linktoFile(href, brokenlinkFilePath);
   } else {
    let visitedlinks = filetoLinks(visitedFilePath);
    if(!visitedlinks.includes(href)){
     linktoFile(href, visitedFilePath);
     await visitPage(browser,page,href);
     
    }
    
   }

   let links = filetoLinks(visitedFilePath);
   if (!links.includes(href)) {
    await visitPage(browser,page, href);
   }
  }
 }
}

let filetoLinks = function (filepath) {
 if (!fs.existsSync(filepath)) {
  fs.writeFileSync(filepath);
 }
 let data = fs.readFileSync(filepath, 'utf-8')
 let links = data.trim().split('\n');
 return links;
}

let linktoFile = function (link, filepath) {
 let foundLinks = filetoLinks(filepath);
 if (!foundLinks.includes(link)) {
  fs.appendFileSync(filepath, link + '\n');
 }
}

run();

運行

點擊 【運行】按鈕即可運行。 同樣，在CukeTest中也支持命令行執行，執行命令為

cuke --runjs demo.js

以上是“如何使用puppeteer爬取網站并抓出404無效鏈接”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！