Puppeteer实战指南：自动化抓取网页中的图片资源

小白学大数据

发布于 2024-06-28 10:04:41

1360

发布于 2024-06-28 10:04:41

文章被收录于专栏：python进阶学习python进阶学习

1. Puppeteer 简介

Puppeteer是Google Chrome团队开发的一个Node库，它提供了一个高级API来控制Chrome或Chromium浏览器。Puppeteer可以进行网页自动化操作，包括导航、屏幕截图、生成PDF、捕获网络活动等。

2. 环境搭建

在开始之前，确保你的开发环境中安装了Node.js和npm。接着，通过npm安装Puppeteer：

npm install puppeteer

3. 抓取网页图片的策略

1. 环境与工具介绍

首先，我们需要Node.js环境以及npm（Node包管理器）。Puppeteer可以通过npm安装：

npm install puppeteer

2. 代理服务器的准备

代理服务器可以是HTTP代理或SOCKS代理，你需要从可信赖的代理服务提供商获取代理IP和端口。确保代理IP可用，并且支持HTTP/HTTPS协议。

3. Puppeteer配置代理

Puppeteer允许通过命令行参数或设置浏览器的代理来配置代理服务器。我们将通过设置浏览器的代理来实现。

4. 实战案例：使用代理IP抓取图片

步骤1：设置代理并启动浏览器

const puppeteer = require('puppeteer');

(async () => {
  // 代理服务器信息
  const proxyHost = "www.16yun.cn";
  const proxyPort = "5445";
  const proxyUser = "16QMSOML";
  const proxyPass = "280651";

  // 构建带有用户名和密码的代理服务器URL
  const proxyUrl = `http://${proxyUser}:${proxyPass}@${proxyHost}:${proxyPort}`;
  
  // 设置Puppeteer使用代理
  const browser = await puppeteer.launch({
    args: [
      '--proxy-server=' + proxyUrl, // 使用完整的代理URL
      // 其他需要的启动参数...
    ]
  });

  const page = await browser.newPage();

  // 接下来添加页面导航和操作的代码...

  // 任务完成后关闭浏览器
  await browser.close();
})();

步骤2：导航到目标网页

await page.goto('https://example.com'); // 替换为实际的URL

步骤3：等待图片加载完成

await page.waitForSelector('img');

步骤4：抓取图片资源链接

const imageSrcs = await page.evaluate(() => {
    const images = document.querySelectorAll('img');
    const srcs = Array.from(images).map(img => img.src);
    return srcs;
  });

步骤5：下载图片资源

const downloadImages = async (src) => {
    const filename = src.split('/').pop();
    const path = `./images/${filename}`;
    await page.download(src, {path: path});
    console.log(`图片下载成功：${filename}`);
  };

  for (let src of imageSrcs) {
    await downloadImages(src);
  }