用 Puppeteer 實現一個自動化機器人
目錄
-
簡介
-
Selenium vs Puppeteer
-
安裝
-
一個簡單的例子
-
解釋代碼
-
把項目容器化
-
容器打包時的一些坑
-
1. Puppeteer 安裝 Chromium 時會缺少一些組件
-
2. 頁面焦點問題
-
3. Page Crash 問題
-
4. 時區問題
-
Puppeteer 是 Node.js 的一個函數庫，可用來操控瀏覽器，是 Google 的項目，可以應用的范圍包括：前端的自動化測試、爬蟲、表單提交等。
Selenium vs Puppeteer
之前有過用 Python 配合 Selenium 的經驗，不過如果是做爬蟲、自動化操作用 Puppeteer 還是非常方便的，安裝簡單快速，API 也容易使用。美中不足的是它只支持 Chromium 以下是兩者的比較，僅供參考：
由于 Puppeteer 是用 Node.js 寫的，所以必須要先安裝 Node。
-
可以至官網 下載
-
如果用 mac 可以使用
https://nodejs.org/en/
安裝完后可以在 terminal 輸入 node -v 檢查是否安裝成功
然后到要開發的項目路徑下輸入 npm init -y 初始化項目，接著 npm i puppeteer ，安裝的時候會發現它會連同 Chromium 一同安裝。
安裝成功后就可以開始了。
一個簡單的例子
新增一個文件 main.js ，并復制以下代碼：
- const puppeteer = require('puppeteer');
- (async () => {
- // 開啟 browser
- const browser = await puppeteer.launch({
- headless: false
- });
- // 新增分頁
- const page = await browser.newPage();
- // 到自己的博客網站
- await page.goto(`https://www.myblog.com/`);
- // 等待訂閱按鈕出現
- await page.waitForSelector("button[class='subscribe-button pill-button']");
- // 點擊訂閱按鈕
- await page.click("button[class='subscribe-button pill-button']");
- })();
接著到終端下輸入 node main.js 執行。
解釋代碼
前面的代碼先引入 Puppeteer，以便后續使用，接下來可以看到用 async 以及 () => ， async 表示函數要用到異步操作， () => 則是 JS 的箭頭函數。
- const puppeteer = require('puppeteer');
接下來是用 Puppeteer 打開一個瀏覽器 ( Chromium )，其中可以看到我們設了參數 headless : false ，如果是設定為 true ，會開啟沒有界面的無頭瀏覽器，如果設定 false ，就會開一個瀏覽器窗口。
- const browser = await puppeteer.launch({
- headless: false
- });
這段就很簡單了，它會幫你在瀏覽器開一個新的分頁。
- const page = await browser.newPage();
這段也很容易，看到 goto 就可以猜到會幫你導向后方指定的網址。
- await page.goto(`https://b123105.blogspot.com/`);
最后這段代碼用到了 click 這個方法，它能夠幫你點擊后面指定的元素，可以看到我是指定 class = subscribe-button pill-button 的 <button> 。
waitForSelector 的作用是，在執行時整個操作速度會很快，有時可能這個元素都很沒出現，就讓它去點擊，有可能會找不到。所以先讓它等待指定元素出現后，再去點擊。
- await page.waitForSelector("button[class='subscribe-button pill-button']");
- await page.click("button[class='subscribe-button pill-button']");
把項目容器化
首先下載 Docker，這里就不再贅述。接下來在項目目錄下創建 Dockerfile ，把下面的腳本代碼復制粘貼。
然后構建鏡像： docker build -t puppeteer-bot . 。
構建完成后就執行 docker run -d --name puppeteer-bot-timeline puppeteer-bot:latest 。
之后可以通過 docker logs puppeteer-bot-timeline 查看 console.log 的內容 ( 如果有的話 )。
要記得 headless 要設定為 true 才能運行。
- FROM node:11-slim
- # 下載 chromium 在 docker 運行時所需組件
- RUN apt-get update && apt-get install -yq libgconf-2-4
- RUN apt-get update && apt-get install -y wget --no-install-recommends \
- && wget -q -O - https://dl-ssl.google.com/linux/linux_signing_key.pub | apt-key add - \
- && sh -c 'echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google.list' \
- && apt-get update \
- && apt-get install -y google-chrome-unstable \
- --no-install-recommends \
- && rm -rf /var/lib/apt/lists/* \
- && apt-get purge --auto-remove -y curl \
- && rm -rf /src/*.deb
- ADD https://github.com/Yelp/dumb-init/releases/download/v1.2.0/dumb-init_1.2.0_amd64 /usr/local/bin/dumb-init
- RUN chmod +x /usr/local/bin/dumb-init
- USER root
- ENV TZ=Asia/Shanghai # 轉換時區，非必要
- RUN ln -snf /usr/share/zoneinfo/$TZ /etc/localtime && echo $TZ > /etc/timezone
- COPY . /app/
- WORKDIR app
- RUN npm install
- EXPOSE 8084
- ENTRYPOINT ["dumb-init", "--"]
- CMD ["node", "main.js"]
容器打包時的一些坑
接下來是我在用 Docke 打包過程遇到的一些問題：
1. Puppeteer 安裝 Chromium 時會缺少一些組件
本來用 docker 封裝是很容易的，安裝 node 然后 npm install 就行了，但是在實際操作時一直報錯說 Chromium 缺少組件。后來去 Puppeteer 的 issue 上查到原來安裝 Puppeteer 時會自動安裝 Chromium，但要在 Docker 上運行的相關組件并不會自動下載。
2. 頁面焦點問題
在開發時我是通過開啟一個瀏覽器，然后持續開三個分頁來進行操作，希望能加快處理的速度。但是發現當 headless:false 時，會同時開啟三個分頁，但只有被設置為焦點的當前頁面在執行后面的腳本，另外兩頁并沒有。因為在開發過程中執行時 tab 頁會被關閉，所以接下來第二個 tab 中的頁面獲得焦點后會再開始運行。
在 issue 中也看到有人遇到了同樣的問題，只有在 headless:true 的時候會同時處理，但目前還沒找到其他解法。
3. Page Crash 問題
上面有提到我在一個瀏覽器上操作三個分頁，放在 docker 中運行，總是遇到 Page Crash 問題，第一反應是可能內存不足，在 issue 上查到原來在打開瀏覽器時要加上 --disable-dev-shm-usage 。
原文是這樣說的：
By default, Docker runs a container with a /dev/shm shared memory space 64MB. This is typically too small for Chrome and will cause Chrome to crash when rendering large pages. To fix, run the container with docker run --shm-size=1gb to increase the size of /dev/shm. Since Chrome 65, this is no longer necessary. Instead, launch the browser with the --disable-dev-shm-usage flag: const browser = await puppeteer.launch({ args: ['--disable-dev-shm-usage'] });
4. 時區問題
這個問題與 Puppeteer 無關，有的服務器時區默認是 GMT，這時就要在 Dockerfile 指定容器的時區，不然代碼中涉及到時間的操作時會被自動加 8 小時。
