小編給大家分享一下怎樣使用Node.js爬取任意網(wǎng)頁資源并輸出PDF文件到本地，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！
需求：
使用Node.js爬取網(wǎng)頁資源，開箱即用的配置
將爬取到的網(wǎng)頁內(nèi)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
本需求使用到的技術：Node.js和puppeteer
puppeteer 官網(wǎng)地址: puppeteer地址
Node.js官網(wǎng)地址:鏈接描述
Puppeteer是谷歌官方出品的一個通過DevTools協(xié)議控制headless Chrome的Node庫?？梢酝ㄟ^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(shù)據(jù)。
環(huán)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(wěn)定，v6很難使用headless Chrome，提升依賴版本可能出現(xiàn)各種服務器問題（包括且不限于無法使用ssh），最好使用高版本服務器。（建議使用最新版本的Node.js）
小試牛刀，爬取京東資源
重慶分公司
重慶分公司
const puppeteer = require('puppeteer'); // 引入依賴
(async () => { //使用async函數(shù)完美異步
const browser = await puppeteer.launch(); //打開新的瀏覽器
const page = await browser.newPage(); // 打開新的網(wǎng)頁
await page.goto('https://www.jd.com/'); //前往里面 'url' 的網(wǎng)頁
const result = await page.evaluate(() => { //這個result數(shù)組包含所有的圖片src地址
let arr = []; //這個箭頭函數(shù)內(nèi)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(shù)據(jù)，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(shù)據(jù)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(wǎng)頁，獲取它們的數(shù)據(jù)。
上面只爬取了京東首頁的圖片內(nèi)容，假設我的需求進一步擴大，需要爬取京東首頁中的所有 標簽對應的跳轉(zhuǎn)網(wǎng)頁中的所有 title的文字內(nèi)容，最后放到一個數(shù)組中。
我們的async函數(shù)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?nèi)ツ膫€網(wǎng)頁爬取數(shù)據(jù)，可以更換內(nèi)部url地址，也可以多次調(diào)用這個方法。
page.evaluate 這個函數(shù)，內(nèi)部是處理我們進入想要爬取網(wǎng)頁的數(shù)據(jù)邏輯
page.goto和page.evaluate兩個方法，可以在async內(nèi)部調(diào)用多次，那意味著我們可以先進入京東網(wǎng)頁，處理邏輯后，再次調(diào)用page.goto這個函數(shù)
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(diào)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(yōu)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(nèi)部console.log無效
return $('title').text(); //返回每個界面的title文字內(nèi)容
});
arr.push(result) //每次循環(huán)給數(shù)組中添加對應的值
}
console.log(arr) //得到對應的數(shù)據(jù) 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(shù)內(nèi)部的console.log不能打印，而且內(nèi)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(fā)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(wǎng)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(zhí)行每一步
本項目實現(xiàn)需求：給我們一個網(wǎng)頁地址，爬取他的網(wǎng)頁內(nèi)容，然后輸出成我們想要的PDF格式文檔，請注意，是高質(zhì)量的PDF文檔
第一步，安裝Node.js ,推薦http://nodejs.cn/download/，Node.js的中文官網(wǎng)下載對應的操作系統(tǒng)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(tǒng)搜索功能，輸入cmd，回車，就出來了)
第三步 需要查看環(huán)境變量是否已經(jīng)自動配置,在命令行工具中輸入 node -v，如果出現(xiàn) v10. ***字段，則說明成功安裝Node.js
第四步 如果您在第三步發(fā)現(xiàn)輸入node -v還是沒有出現(xiàn) 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(tǒng)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(wǎng)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(nèi)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(wǎng)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(xù)更換url地址，繼續(xù)爬取，生成新的PDF文件，當然，您也可以通過循環(huán)編譯等方式去一次性爬取多個網(wǎng)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(wǎng)頁，爬取到的部分內(nèi)容是loading狀態(tài)的內(nèi)容，對于有一些反爬蟲機制的網(wǎng)頁，爬蟲也會出現(xiàn)問題，但是絕大多數(shù)網(wǎng)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(wǎng)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(nèi)容輸出到PDF中，必須是存在的PDF，可以是空內(nèi)容，如果不是空的內(nèi)容PDF，那么會覆蓋內(nèi)容
let pdfFilePath = './index.pdf';
//根據(jù)你的配置選項，我們這里選擇A4紙的規(guī)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(shù)據(jù)在這個時代非常珍貴，按照網(wǎng)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(diào)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~
以上是“怎樣使用Node.js爬取任意網(wǎng)頁資源并輸出PDF文件到本地”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學習更多知識，歡迎關注創(chuàng)新互聯(lián)行業(yè)資訊頻道！
