谷歌推出的用于操作无头浏览器的nodeJs框架，提供上层API用于直接操作浏览器。该框架适用于爬取web2.0页面，同时对web1.0的支持率也比较高，代码编写也很简单。 puppeteer中文文档
池化思想作用于puppeteer的产物，任务分发与调度，让nodejs可以利用自身去实现整个爬虫。在使用该组件之前，我使用java来写爬虫的调度算法，然后用eureka来调用nodejs的页面抓取模块。 puppeteer-cluster项目地址
获取所有页面，并确定当url是pan.baidu.com的时候过滤掉已经失效的链接
const {Cluster} = require('puppeteer-cluster'); const launchOptions = { headless: true, ignoreHTTPSErrors: true, // 忽略证书错误 waitUntil: 'networkidle2', defaultViewport: { width: 1920, height: 1080 }, args: [ '--disable-gpu', '--disable-dev-shm-usage', '--disable-web-security', '--disable-xss-auditor', // 关闭 XSS Auditor '--no-zygote', '--no-sandbox', '--disable-setuid-sandbox', '--allow-running-insecure-content', // 允许不安全内容 '--disable-webgl', '--disable-popup-blocking', //'--proxy-server=http://127.0.0.1:8080' // 配置代理 ], executablePath: 'C:\\Program Files (x86)\\Google\\Chrome\\Application\\chrome.exe', }; const clusterLanuchOptions = { concurrency: Cluster.CONCURRENCY_PAGE, // 单Chrome多tab模式 maxConcurrency: 20, // 并发的workers数 retryLimit: 2, // 重试次数 skipDuplicateUrls: true, // 不爬重复的url monitor: true, // 显示性能消耗 puppeteerOptions: launchOptions, }; (async () => { const cluster = await Cluster.launch(clusterLanuchOptions); const cluster2 = await Cluster.launch(clusterLanuchOptions2); await cluster2.task(async ({page, data: url}) => { let urlTrue = url.split(' ')[0]; await page.goto(urlTrue); await page.waitForSelector('html'); let title = await page.title(); let x = "D:\\workspace\\node\\check\\bbs\\controllers\\pantrue.txt"; if (title.indexOf('不存在') === -1) { let value = ''; if (title.indexOf('分享无限制')) { value = urlTrue + ' ' + title + '\n'; } else { value = url.split(' ')[1].substr(0, 20) + ' ' + url.split(' ')[2] + ' ' + urlTrue + ' ' + title + '\n'; } fs.writeFile(x, value, {flag: 'a'}, function (err) { if (err !== null) { console.log(err); } }); } }); await cluster.task(async ({page, data: url}) => { await page.goto(url); await page.waitForSelector('html'); let title = await page.title(); await page.content(); let x = "D:\\workspace\\node\\check\\bbs\\controllers\\pan.txt"; let y = "D:\\workspace\\node\\check\\bbs\\controllers\\outDomain.txt"; let yuanDomain = urllib.parse(urlTrue); let newDomain = urllib.parse(url); if (yuanDomain.hostname !== newDomain.hostname) { if (!outUrlSet.has(newDomain.hostname)) { fs.writeFile(y, url + ' ' + title + '\n', { flag: 'a' }, function (err) { if (err) { console.error(err); } }); outUrlSet.add(newDomain.hostname); } } else { let links = await page.$$eval('[src],[href],[action],[data-url],[longDesc],[lowsrc]', get_src_and_href_links); let res = await parseLinks(links, url); console.log({links: links.length}, {res: res.length}); for (let i = 0; i < res.length; i++) { let link = res[i]; if (link !== undefined && link.indexOf("pan.baidu.com") !== -1) { // todo 存起来 if (!panSet.has(link)) { fs.writeFile(x, link + ' ' + title + ' ' + url + '\n', { flag: 'a' }, function (err) { if (err) { console.error(err); } }); cluster2.queue(link + ' ' + title + ' ' + url); panSet.add(link); } } else { cluster.queue(link); } } } }); cluster.queue('http://www.xxxxx.com/'); await cluster.idle(); await cluster.close(); })(); async function parseLinks(links, url) { let result = []; // 处理url return result; } function get_src_and_href_links(nodes) { let result = []; // 获取节点中的所有 return result; }得到的盘链接，有些是无限制的，有些是需要tiquma的，而tiquma该如何获取呢？往往原来的页面里面会有，这个时候我们就需要分析原来的页面了。 在这个网站中，提取码几乎都放在strong标签中，那我们只好使用方法得到页面中的strong标签 在puppeteer中可以使用page.$$eval()方法来获取strong节点集合，然后使用treeWalker遍历整个节点得到我们想要的东西即可。
let {text,html} = await page.$$eval('strong', getTiQuMa); function getTiQuMa(nodes) { let html = ''; let text = ''; for (let node of nodes) { let treeWalker = document.createTreeWalker( node, NodeFilter.SHOW_ELEMENT, { acceptNode: function (node1) { return NodeFilter.FILTER_ACCEPT; } }, false ); while (treeWalker.nextNode()) { let element = treeWalker.currentNode; text = text + ' ' + element.innerText; } } return {text: text, html: html}; }现在，我们实现了基于一个网站的所有盘链接的获取，那么，如果现在想要实现一个通用的盘链接获取爬虫，从而实现盘链接的搜索引擎该如何完成呢？ 关注我，让我给你解答。
炒鸡辣鸡原创文章，转载请注明来源
