首先介绍Puppeteer
- Puppeteer是一个node库，他提供了一组用来操纵Chrome的API，理论上使用它可以做任何Chrome可以做的事
- 有点类似于PhantomJS，但Puppeteer由Chrome官方团队进行维护，前景更好
- Puppeteer的应用场景会非常多，就爬虫领域来说，远比一般的爬虫工具功能更丰富，性能分析、自动化测试也不在话下
- Puppeteer官方文档请猛戳这里
本项目会针对Puppeteer应用场景做几个可用的DEMO
- 高级爬虫（有别于传统爬虫.使用Puppeteer可以拿到渲染后的效果。而传统爬虫相当于只能拿到http response，对字符串进行解析）
- UI自动化测试（使用Puppeteer可以模拟用户操作，模拟表单填写）
- 页面性能分析 (使用chrome的timeline，也就是Puppeteer提供的trace API)
项目Repo && Usage
- git clone https://github.com/zhentaoo/puppeteer-deep
- npm install (puppeteer在win下100+M、mac下70+M，请耐心等候)
- npm run sf-juejin (推荐segmentfault的热门文章到掘金)
- npm run monitor (前端监控、报警)
- npm run es6 (爬取了阮一峰老师的《ES6标准入门》并打印PDF)
- npm run zhentaoo (打印 www.zhentaoo.com 首页的图片)
- npm run trace (生成 www.zhentaoo.com 的trace.json，并分析性能)
一、 UI自动化测试--自动推荐segmentfault的热门文章到掘金
1. 废话不多说，先上动图/视频看效果
GIF图片比较大，如果不能加载成功，也可以到微博看下录制的视频 http://weibo.com/tv/v/FiHMz7dcq?fid=1034:dcc08a8eee118263f6071fb6fafcc9a9
2. 开始介绍，第一步，爬取 segmentfault 前30篇热门文章
- 跳转到https://segmentfault.com/news/frontend
- 接着分析SF首页的Dom结构，爬取每篇文章的链接
- 然后取出每篇文章最重要的 href，title 等信息
- 具体代码如下：
await page.goto('https://segmentfault.com/news/frontend')
var SfFeArticleList = await page.evaluate(() => {
var list = [...document.querySelectorAll('.news__list .news__item-title a')]
return list.map(el => {
return {href: el.href.trim(), title: el.innerText}
})
})
await page.screenshot({path: './sf-juejin/sf.png', type: 'png'});3. 登录掘金 (这里我事先注册了个测试账号,大家可以替换成自己的)
- 跳转到掘金，模拟点击登录按钮
- 接着，会弹出一个的登录dialog，模拟输入用户名密码
- 模拟点击登录，稍等....嗯...掘金应该把cookie写好了....
- 代码如下：
await page.goto('https://juejin.im')
var login = await page.$('.login')
await login.click()
var loginPhoneOrEmail = await page.$('[name=loginPhoneOrEmail]')
await loginPhoneOrEmail.click()
await page.type('[email protected]', {delay: 20})
var password = await page.$('[placeholder=请输入密码]')
await password.click()
await page.type('123456', {delay: 20})
var authLogin = await page.$('.panel .btn')
await authLogin.click()4.推荐文章（使用第一步从SF爬取的文章信息）
- 模拟点击推荐文章 按钮 “＋”
- 这时从SF拿到的文章信息就派上用场了，随机取出一篇: Math.floor(Math.random() * 30)
- 模拟填写推荐表单，点击发布
- 嗯，有时会提示该文章已被分享，那就换一篇吧，再执行一次。
- 代码如下
var seed = Math.floor(Math.random() * 30)
var theArtile = SfFeArticleList[seed]
var add = await page.$('.main-nav .ion-android-add')
await add.click()
var shareUrl = await page.$('.entry-form-input .url-input')
await shareUrl.click()
await page.type(theArtile.href, {delay: 20})
await page.press('Tab')
await page.type(theArtile.title, {delay: 20})
await page.press('Tab')
await page.type(theArtile.title, {delay: 20})
await page.evaluate(() => {
let li = [...document.querySelectorAll('.category-list-box .category-list .item')]
li.forEach(el => {
if (el.innerText == '前端')
el.click()
})
})
var submitBtn = await page.$('.submit-btn')
await submitBtn.click()二、 前端监控系统
代码 https://github.com/zhentaoo/hawk-eye
1. 为什么要有前端监控系统?
目前市面上以及各大公司流行的监控系统，都是API层的监控，包括调用量、数据、响应时长..... 似乎只要接口没问题，整个系统就是稳定运行的，一切皆大欢喜 但事实并非如此，CDN、DNS、Webview等等这些条件，都可能导致前端渲染失败、白屏 离用户最近的一层--前端，却迟迟没有被加入监控列表，无形中流失多少用户.....
2. Node Express Server
- 使用
express monitor命令，生成express项目模版 - 安装并启动mongodb，推荐 robomongo 可视化工具
- 提供两个接口，1当Puppeteer发现网页渲染有异常则调用,2获取系统监控状态
3. 定时脚本
- 设置定是脚本，每隔5分钟，访问 www.zhentaoo.com，抓取关键信息，并生成截图
- 如果信息获取失败，则将截图保存至err目录，并记入数据库中
function monitor() {
puppeteer.launch().then(async browser => {
let page = await browser.newPage();
await page.goto('http://www.zhentaoo.com/');
await timeout(2000);
let aTags = await page.evaluate(() => {
let as = [...document.querySelectorAll('ol li a')];
return as.map((a) =>{
return {
href: a.href.trim(),
name: a.text
}
});
});
await page.screenshot({path: './data/zhentaoo/zhentaoo.png', type: 'png'});
browser.close();
});
}
monitor();
setInterval(monitor, 1000 * 60 * 5);4. 进阶：与Chrome插件集成
如果单纯的监控系统，每每需要点击，然后去看监控的情况，想必也有些麻烦 那么为何不做个Chrome插件，显示监控状态呢？ 好吧，可以看我的另一个repo，https://github.com/zhentaoo/bitcoin-price，学习如何写一个chrome插件 然后监控系统提供API给Chrome插件使用
三、高级爬虫--爬取《ES6标准入门》并打印成PDF
1. 运行Puppeteer，使用launch
puppeteer.launch().then(async browser => {
......
what you want
......
})2. 跳转至 阮一峰老师的ES6博客，使用goto
let page = await browser.newPage();
await page.goto('http://es6.ruanyifeng.com/#README');3. 分析博客左侧导航栏的dom结构，并拿到所有链接的href、title信息
let as = [...document.querySelectorAll('ol li a')];
return as.map((a) =>{
return {
href: a.href.trim(),
name: a.text
}
});4. 使用Puppeteer打印当前页面的PDF，使用pdf
await page.pdf({path: `./es6-pdf/${aTags[0].name}.pdf`});5. 最终结果，将20多页博客打印成PDF
四、性能分析--Puppeteer Trace API
1. 简单介绍 Trace API
Trace API其实很简单，主要是使用Chrome Performance，生成当前页面的 性能追踪 文件， 然后将该文件上传给Chrome，就可以利用Chrome的开发者工具分析火焰图、各种数据参数
2. API: 使用 tracing start，stop生成trace.json
await page.tracing.start({path: './data/trace/trace.json'});
await page.goto('http://www.zhentaoo.com');
await page.tracing.stop();3. 将trace.json上传给chrome，如下图
4. Chrome Performance/Timeline 使用教程
关于Chrome Performance／Timeline的使用又是一个大篇幅，这里提供一个教程
结语
- 为了效果展示，这里使用的headless: false模式，实际使用时可以同时开n个page，模拟操作，大家可以尝试改改，也可以给我提PR
- 目前已经带领大家，使用Puppeteer完成爬虫 和 UI自动化测试，接下来可能会出第三篇，应该会是关于前端性能分析
- 其实Puppeteer的应用场景远不止这些，大家也可以使用它在各自的领域大放异彩！！！
- 希望掘金小编不会打我....
赞助
如果你觉得该项目对你有用，欢迎打赏作者，你的打赏是开源的强大动力~~~
