如何使用Node.js爬取任意網頁資源并輸出高質量PDF文件到本地

這篇文章主要講解了“如何使用Node.js爬取任意網頁資源并輸出高質量PDF文件到本地”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“如何使用Node.js爬取任意網頁資源并輸出高質量PDF文件到本地”吧！

需求：

• 使用Node.js爬取網頁資源，開箱即用的配置

• 將爬取到的網頁內容以PDF格式輸出

如果你是一名技術人員，那么可以看我接下來的文章，否則，請直接移步到我的github倉庫，直接看文檔使用即可

倉庫地址:附帶文檔和源碼,別忘了給個star哦

本需求使用到的技術：Node.js和puppeteer

•  puppeteer 官網地址: puppeteer地址

•  Node.js官網地址:鏈接描述

•  Puppeteer是谷歌官方出品的一個通過DevTools協議控制headless Chrome的Node庫。可以通過Puppeteer的提供的api直接控制Chrome模擬大部分用戶操作來進行UI Test或者作為爬蟲訪問頁面來收集數據。

•  環境和安裝

•  Puppeteer本身依賴6.4以上的Node，但是為了異步超級好用的async/await，推薦使用7.6版本以上的Node。另外headless Chrome本身對服務器依賴的庫的版本要求比較高，centos服務器依賴偏穩定，v6很難使用headless Chrome，提升依賴版本可能出現各種服務器問題（包括且不限于無法使用ssh），***使用高版本服務器。（建議使用***版本的Node.js）

小試牛刀，爬取京東資源

const puppeteer = require('puppeteer'); //  引入依賴    (async () => {   //使用async函數***異步       const browser = await puppeteer.launch();  //打開新的瀏覽器      const page = await browser.newPage();   // 打開新的網頁       await page.goto('https://www.jd.com/');  //前往里面 'url' 的網頁      const result = await page.evaluate(() => {   //這個result數組包含所有的圖片src地址          let arr = []; //這個箭頭函數內部寫處理的邏輯            const imgs = document.querySelectorAll('img');          imgs.forEach(function (item) {              arr.push(item.src)          })          return arr       });      // '此時的result就是得到的爬蟲數據，可以通過'fs'模塊保存'  })()    復制過去 使用命令行命令 ` node 文件名 ` 就可以運行獲取爬蟲數據了   這個 puppeteer 的包 ，其實是替我們開啟了另一個瀏覽器，重新去開啟網頁，獲取它們的數據。

• 上面只爬取了京東首頁的圖片內容，假設我的需求進一步擴大，需要爬取京東首頁

中的所有<a> 標簽對應的跳轉網頁中的所有 title的文字內容，***放到一個數組中。

• 我們的async函數上面一共分了五步， 只有 puppeteer.launch() , 

browser.newPage(), browser.close() 是固定的寫法。

• page.goto 指定我們去哪個網頁爬取數據，可以更換內部url地址，也可以多次

調用這個方法。

• page.evaluate 這個函數，內部是處理我們進入想要爬取網頁的數據邏輯

• page.goto和 page.evaluate兩個方法，可以在async內部調用多次，

那意味著我們可以先進入京東網頁，處理邏輯后，再次調用page.goto這個函數，

注意，上面這一切邏輯，都是puppeteer這個包幫我們在看不見的地方開啟了另外一個

瀏覽器，然后處理邏輯，所以最終要調用browser.close()方法關閉那個瀏覽器。

這時候我們對上一篇的代碼進行優化，爬取對應的資源。

const puppeteer = require('puppeteer');  (async () => {      const browser = await puppeteer.launch();      const page = await browser.newPage();      await page.goto('https://www.jd.com/');      const hrefArr = await page.evaluate(() => {          let arr = [];          const aNodes = document.querySelectorAll('.cate_menu_lk');          aNodes.forEach(function (item) {              arr.push(item.href)          })          return arr      });      let arr = [];      for (let i = 0; i < hrefArr.length; i++) {          const url = hrefArr[i];          console.log(url) //這里可以打印           await page.goto(url);          const result = await page.evaluate(() => { //這個方法內部console.log無效                        return  $('title').text();  //返回每個界面的title文字內容          });          arr.push(result)  //每次循環給數組中添加對應的值      }      console.log(arr)  //得到對應的數據  可以通過Node.js的 fs 模塊保存到本地      await browser.close()  })()

上面有天坑 page.evaluate函數內部的console.log不能打印，而且內部不能獲取外部的變量,只能return返回，

使用的選擇器必須先去對應界面的控制臺實驗過能不能選擇DOM再使用，比如京東無法使用querySelector。這里由于

京東的分界面都使用了jQuery，所以我們可以用jQuery，總之他們開發能用的選擇器，我們都可以用，否則就不可以。

接下來我們直接來爬取Node.js的官網首頁然后直接生成PDF

無論您是否了解Node.js和puppeteer的爬蟲的人員都可以操作，請您一定萬分仔細閱讀本文檔并按順序執行每一步

本項目實現需求：給我們一個網頁地址，爬取他的網頁內容，然后輸出成我們想要的PDF格式文檔，請注意，是高質量的PDF文檔

• ***步，安裝Node.js ,推薦http://nodejs.cn/download/，Node.js的中文官網下載對應的操作系統包

• 第二步，在下載安裝完了Node.js后， 啟動windows命令行工具(windows下啟動系統搜索功能，輸入cmd，回車，就出來了)

• 第三步 需要查看環境變量是否已經自動配置,在命令行工具中輸入 node -v，如果出現 v10. ***字段，則說明成功安裝Node.js

• 第四步 如果您在第三步發現輸入node -v還是沒有出現 對應的字段，那么請您重啟電腦即可

• 第五步 打開本項目文件夾，打開命令行工具（windows系統中直接在文件的url地址欄輸入cmd就可以打開了），輸入 npm i cnpm nodemon -g

• 第六步 下載puppeteer爬蟲包，在完成第五步后，使用cnpm i puppeteer --save 命令 即可下載

• 第七步 完成第六步下載后，打開本項目的url.js，將您需要爬蟲爬取的網頁地址替換上去(默認是http://nodejs.cn/)

• 第八步 在命令行中輸入 nodemon index.js 即可爬取對應的內容，并且自動輸出到當前文件夾下面的index.pdf文件中

TIPS: 本項目設計思想就是一個網頁一個PDF文件，所以每次爬取一個單獨頁面后，請把index.pdf拷貝出去，然后繼續更換url地址，繼續爬取，生成新的PDF文件，當然，您也可以通過循環編譯等方式去一次性爬取多個網頁生成多個PDF文件。

對應像京東首頁這樣的開啟了圖片懶加載的網頁，爬取到的部分內容是loading狀態的內容，對于有一些反爬蟲機制的網頁，爬蟲也會出現問題，但是絕大多數網站都是可以的

const puppeteer = require('puppeteer');  const url = require('./url');  (async () => {      const browser = await puppeteer.launch({ headless: true })      const page = await browser.newPage()      //選擇要打開的網頁        await page.goto(url, { waitUntil: 'networkidle0' })      //選擇你要輸出的那個PDF文件路徑，把爬取到的內容輸出到PDF中，必須是存在的PDF，可以是空內容，如果不是空的內容PDF，那么會覆蓋內容      let pdfFilePath = './index.pdf';      //根據你的配置選項，我們這里選擇A4紙的規格輸出PDF，方便打印      await page.pdf({          path: pdfFilePath,          format: 'A4',          scale: 1,          printBackground: true,          landscape: false,          displayHeaderFooter: false      });      await browser.close()  })()

文件解構設計

數據在這個時代非常珍貴，按照網頁的設計邏輯，選定特定的href的地址，可以先直接獲取對應的資源，也可以通過再次使用 page.goto方法進入，再調用 page.evaluate() 處理邏輯，或者輸出對應的PDF文件，當然也可以一口氣輸出多個PDF文件~

感謝各位的閱讀，以上就是“如何使用Node.js爬取任意網頁資源并輸出高質量PDF文件到本地”的內容了，經過本文的學習后，相信大家對如何使用Node.js爬取任意網頁資源并輸出高質量PDF文件到本地這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！