node.js - Puppeteer 不会返回来自特定网站的所有请求

Question

我有以下代码，可以从特定网站提取所有请求(获取所有图像、CSS、脚本、字体...)

var totalRequests = 0;

    puppeteer.launch().then(async browser => {
        const page = await browser.newPage();
        await page.setRequestInterception(true);
        page.on('request', interceptedRequest => {
            interceptedRequest.continue();
        });
        page.on('response', response => {
            totalRequests = totalRequests + 1;
            console.log('Url: ' + response.url());
        });
        await page.goto('https://stackoverflow.com');
        await browser.close().then(() => {
            res.send('Requests: ' + totalRequests);
        });

太好了，在控制台中我可以看到来自 stackoverflow.com 的所有 URL(Css 文件、图像文件、字体文件和 Javascript 文件)以及请求的总文件(在本例中我看到31 个请求)，但由于某种原因，我最终注意到此代码并未返回所有页面请求。

如果我们转到 Google Chrome，按 F12，转到网络部分并重新加载页面(假设您位于网址 https://stackoverflow.com )，我们将看到总共 39-40 个请求文件。

问题是我的代码只返回 30 到 31 个请求，并且在控制台中我看不到像 Chrome 上那样显示的所有链接。可能会发生什么？我该怎么做才能返回所有请求，如 Google Chrome 中所示？

Answer 1

主要问题

对于 stackoverflow.com，加载的资源数量取决于浏览器窗口的大小。如果您的视口(viewport)允许，stackoverflow 会向您展示广告(在右侧边栏)。但只有当你的视口(viewport)大小足够宽时，相应的资源(JavaScript、图像等)才会被加载。您可以自己尝试一下，减小窗口的大小，直到隐藏右侧边栏，然后重新加载页面。 DevTools 将向您显示不同数量的已加载资源。

示例代码

以下示例演示如何通过设置 defaultViewport 属性来模拟更大的浏览器窗口。请注意，我在本例中完全使用了async/await语法，并且删除了page.setRequestInterception调用，因为response事件也将没有它就被触发(只有当你确实想修改请求或响应时才需要使用它)。

const puppeteer = require('puppeteer');

(async () => {
    const browser = await puppeteer.launch({ // headless: false, devtools: true,
        defaultViewport: { width: 1600, height: 800 }
    });
    const page = await browser.newPage();

    var totalRequests = 0;
    page.on('response', () => {
        totalRequests = totalRequests + 1;
    });

    await page.goto('https://stackoverflow.com');
    console.log(totalRequests);

    await browser.close();
})();

这对我来说返回 30，这仍然不是我们期望的数字 (~40)。

等待所有资源加载完毕

您的代码还有另一个问题。让我们打开 DevTools 看看发生了什么。如果您查看网络选项卡中的 waterfall 图，它看起来像这样:

看到那条红线了吗？这是加载事件。默认page.goto等待这个事件。但在我们的例子中，实际上有一些文件在事件触发后正在加载(红线右侧的文件)。要等待这些资源加载，我们可以使用 page.goto 函数的选项之一。使用 waitUntil: 'networkidle0' 脚本将等待，直到不再有网络事件。

因此，如果您使用此行从顶部切换 page.goto 行，您应该会看到预期的请求数:

await page.goto('https://stackoverflow.com', { waitUntil: 'networkidle0' });

使用此设置时，上面的代码为我返回 39，这正是您所期望的。