node.js - 如何使用 puppeteer js 抓取多级链接?

标签 node.js web-scraping puppeteer

我正在使用 Puppeteer 抓取网站页面的表格行。我有代码来抓取内容并将它们分配给表中每个对象的对象。在每个表行中都有一个链接,我需要在新页面(puppeteer)中打开该链接,然后抓取特定元素,然后将其分配给同一对象并将带有新键的整个对象返回给 puppeteer。 Puppeteer 怎么可能?

async function run() {
    const browser = await puppeteer.launch({
        headless: false
    })
    const page = await browser.newPage()

    await page.goto('https://tokenmarket.net/blockchain/', {waitUntil: 'networkidle0'})
    await page.waitFor(5000)
    var onlink = ''
    var result = await page.$$eval('table > tbody tr .col-actions a:first-child', (els) => Array.from(els).map(function(el) {

        //running ajax requests to load the inner page links.
     $.get(el.children[0].href, function(response) {
            onlink = $(response).find('#page-wrapper > main > div.container > div > table > tbody > tr > td:nth-child(2)').text()
        })



        return {
            icoImgUrl: el.children[0].children[0].children[0].currentSrc,
            icoDate: el.children[2].innerText.split('\n').shift() === 'To be announced' ? null : new Date( el.children[2].innerText.split('\n').shift() ).toISOString(),
            icoName:el.children[1].children[0].innerText,
            link:el.children[1].children[0].children[0].href,
            description:el.children[3].innerText,
            assets :onlink
        }

    }))

    console.log(result)

    UpcomingIco.insertMany(result, function(error, docs) {})


    browser.close()
}

run()

最佳答案

如果您尝试为每个 ICO 页面并行打开一个新选项卡,您最终可能会同时加载 100 多个页面。

因此,您可以做的最好的事情是先收集 URL,然后在循环中一个一个地访问它们。

这还可以使代码保持简单和可读。

例如(请看我的评论):

const browser = await puppeteer.launch({ headless: false });

const page = await browser.newPage();

await page.goto('https://tokenmarket.net/blockchain/');

// Gather assets page urls for all the blockchains
const assetUrls = await page.$$eval(
  '.table-assets > tbody > tr .col-actions a:first-child',
  assetLinks => assetLinks.map(link => link.href)
);

const results = [];

// Visit each assets page one by one
for (let assetsUrl of assetUrls) {
  await page.goto(assetsUrl);

  // Now collect all the ICO urls.
  const icoUrls = await page.$$eval(
    '#page-wrapper > main > div.container > div > table > tbody > tr > td:nth-child(2) a',
    links => links.map(link => link.href)
  );

  // Visit each ICO one by one and collect the data.
  for (let icoUrl of icoUrls) {
    await page.goto(icoUrl);

    const icoImgUrl = await page.$eval('#asset-logo-wrapper img', img => img.src);
    const icoName = await page.$eval('h1', h1 => h1.innerText.trim());
    // TODO: Gather all the needed info like description etc here.

    results.push([{
      icoName,
      icoUrl,
      icoImgUrl
    }]);
  }
}

// Results are ready
console.log(results);

browser.close();

关于node.js - 如何使用 puppeteer js 抓取多级链接?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48864589/

相关文章:

javascript - Node : Return array of arrays from dialog openDirectory

python - 网站抓取价格为零的问题

python - 您好,我正在尝试网络抓取网站以获取他们的每日优惠,但在使用 find_all 时遇到错误

PHP file_get_contents() 函数

javascript - 如何使用 puppeteer(node js ) 保持 gmail 登录状态

javascript - 如何检索 xpath 的内部文本?

javascript - 一种防止在 puppeteer 实例中打开开发工具的方法

node.js - 在 Node.js 中使用 Nano 销毁文档

node.js - ffmpeg --help, node child_process spawn trigger stderr

javascript - Socket.io 不触发从客户端到服务器的事件