javascript - 如何使用 Node puppeteer 获取页面中的所有链接？

Question

我正在尝试使用 Node 构建一个网络爬虫，并发现了 puppeteer 包，它看起来非常适合我想要的东西。我的最终结果是收集页面中的所有链接、所有文本内容，然后是页面本身的屏幕截图。

我运行了以下命令，它似乎收集了大量链接，但是在实际检查该网站时，有一些链接没有收集。

const puppeteer = require('puppeteer');

module.exports = () => {
  (async () => {
    const browser = await puppeteer.launch();
    const page = await browser.newPage();
    await page.goto('https://pixabay.com/en/columbine-columbines-aquilegia-3379045/');
    await page.screenshot({ path: 'myscreenshot.png', fullPage: true });
    let text = await page.$eval('*', el => el.innerText.split(' '));
    text = text.map(string => {
      return string.replace(/[^\w\s]/gi, '');
    });

      let hrefs = await page.evaluate(() => {
          const links = Array.from(document.querySelectorAll('a'))
          return links.map(link => link.href);
      });
    console.log('done');

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

例如此链接:/go/?t=image-details-shutterstock&id=699165328 不在 href 数组中。更糟糕的是，这些是引出该网站的链接，这正是我想做的事情，否则我只能抓取一个网站。

我的脚本只显示部分链接是否有原因？ querySelector 是否太窄或拒绝某些链接？

Answer 1

链接是由onclick事件生成的，例如保存在data-go属性中

<a data-go="image-details-shutterstock&amp;id=458320033">

只需要在前面添加 /go/?t= 即可获取

return links.map(link => link.href || link.getAttribute('data-go'));

还有菜单的空链接，例如

<a><i class="icon icon_menu_user"></i></a>