如何通过puppetter实现PDF聚合阅读器初始模型以及产品思维构想

发布时间:2022-08-18编辑:RainNight阅读(257)

    什么是puppeteer?


    行业中puppeteer被称为傀儡师,又被称为提线木偶,它是一个 Node 库,它提供了一个高级 API 来通过 DevTools 协议 控制 Chrome 或 Chromium 。Puppeteer 默认运行 无头 ,但可以配置为运行完整(非无头)Chrome 或 Chromium。

    puppeteer可以做什么?


    • * 生成页面的屏幕截图和 PDF。
    • * 抓取 SPA(单页应用程序)并生成预渲染内容(即“SSR”(服务器端渲染))。
    • * 自动化表单提交、UI 测试、键盘输入等。
    • * 创建最新的自动化测试环境。使用最新的 JavaScript 和浏览器功能直接在最新版本的 Chrome 中运行测试。
    • * 捕获您网站的 时间线轨迹 以帮助诊断性能问题。
    • * 测试 Chrome 扩展程序。

    puppeteer和selenium的主要区别?


    • * puppeteer是谷歌孵化出来的一个 Node.js 库和浏览器测试框架对geogle浏览器访问权限较好,它主要针对geogle浏览器和它同胞小弟Chromium浏览器、而selenium是有Thoughtworks公司在2004 年推出的。
    • * puppeteer开发语言主要是JavaScript、而selenium支持 JavaScript、Java、Ruby、C# 和 Python。为了更好的体现python语言的万金油的作用、非官方版本的puppetter应运而生。
    • * 从易用性来说如果对JavaScript有所了解的话,选择puppeteer还是比较好的。当然如果对python语言比较熟悉、像构建完善的自动化工程还是选择selenium。

    语言特性和实现


    • nodeJs

      /*
      * @Date: 2022-08-16 22:08:40
      * @LastEditTime: 2022-08-17 22:18:38
      * @FilePath: /puppeteer/webCrawl.js
      * @Description: 基础使用
      */
      const puppetter = require('puppeteer');
      
      (async()=>{
      try {
          const browser = await puppetter.launch({
              headless: true,
              slowMo: 100, // slow down by 100ms 
          });
          const page = await browser.newPage(); 
          await page.goto('http://www.netearn.top/');  // 进入博客首页
          delay(2000); // 2秒进入全屏截图
          console.log("2秒进入全屏截图");
          await page.screenshot({path:"./theme/rainNight.png",fullPage: true}); // 截图
          delay(4000); // 4秒进入检索“python”字段的内容
          console.log("4秒进入检索“python”字段的内容");
          await page.focus('#keywords');
          await page.type('#keywords','python');
          await page.click('#searchsubmit');
          delay(5000); // 5秒后生成PDF
          console.log("5秒后生成截图和PDF");
          await page.screenshot({path:"./theme/rainNight-python.png",fullPage: true}); // 截图
          await page.pdf({path:"./theme/rainNight.pdf",format:"A4",printBackground:true}) // 保存成pdf,必须是无头浏览器才可以
          delay(5000); // 5秒后关闭浏览器
          console.log("5秒后关闭浏览器");
          await browser.close();   
      } catch (error) {
          console.log(`this is the ${error}`);
      }
      })();
      
      // 设置间歇时间
      function delay(time) {
      let curtime = new Date().getTime();
      time += curtime;
      while(curtime < time) {
          curtime = new Date().getTime();
      } 
      }
      

    file

    • python3

      # -*- coding: utf-8 -*-
      # !/usr/bin/python3
      
      import asyncio # 异步协程库
      from pyppeteer import launch
      import random
      import logging 
      
      
      async def Run():
      browser = await launch({'headless': True, "slowMo": 100})  # slow down by 100ms
      randoms = random.randrange(3, 10)
      try:
          page = await browser.newPage()
          await page.goto("http://www.netearn.top/", timeout=10000000)
          await asyncio.sleep(randoms)
          print("2秒进入全屏截图")
          logging.info("2秒进入全屏截图")
          await page.screenshot({"path": "./theme/rainNight.png", "fullPage": True})
          await asyncio.sleep(randoms)
          print("4秒进入检索“python”字段的内容")
          logging.info("4秒进入检索“python”字段的内容")
          await page.focus('#keywords')
          await page.type('#keywords', 'python')
          await page.click('#searchsubmit')
          await asyncio.sleep(randoms)
          print("5秒后生成截图和PDF")
          logging.info("5秒后生成截图和PD")
          await page.screenshot({"path": "./theme/rainNight-python.png", "fullPage": True})  # 截图
          await page.pdf({"path": "./theme/rainNight.pdf", "format": "A4", "printBackground": True})  # 保存成pdf必须是无头浏览器才可以
          await asyncio.sleep(randoms)  # 5秒后关闭浏览器
          print("5秒后关闭浏览器")
          logging.info("5秒后关闭浏览器")
      finally:
          await browser.close()
      
      
      if __name__ == "__main__":
      # 日志模块
      logging.basicConfig(filename='./Log/error.log', level=logging.DEBUG)
      asyncio.get_event_loop().run_until_complete(Run())
      
      

    file

    沧桑巨变、史诗为进


    Pdf的处理对于现在场景分析中、是必须常见的、目前国际或者国内做PDF聚合阅读和处理的平台到是不多、中国老牌的福昕阅读器和海外同类的PDF Reader Pro市场都是在阅读上,但是在pdf合并和处理上并没有什么好的平台得以应用、要么收费、要么按次收费。当然今天不讨论这个问题,只是为了写个PDF聚合采集工具。

    nodeJs

    /*
     * @LastEditTime: 2022-08-18 21:59:48
     * @FilePath: /puppeteer/readerCrawl.js
     * @Description: 这是默认设置,请设置`customMade`, 打开koroFileHeader查看配置 进行设置: https://github.com/OBKoro1/koro1FileHeader/wiki/%E9%85%8D%E7%BD%AE
     */
    
    const puppeteer = require('puppeteer');
    
    (async()=>{
        try {
            const browser = await puppeteer.launch({
                headless: true,
                slowMo: 100, // slow down by 100ms 
            });
            const page = await browser.newPage();
            await page.goto("http://educate.netearn.top/educate/detail/20/6/29");
            delay(2000); // 2秒进入全屏截图
            let aTags = await(await page).evaluate(()=>{
                let as = [...document.querySelectorAll('.catalog-body ul li a')];
                return as.map((a) =>{   
                    return {
                      href: a.href.trim(),
                      name: a.text
                    }
                });
        });
    
        lenght = (aTags.length - aTags.length) + 3
    
        console.log("总个数:"+lenght);
    
        for (var i = 1; i <= lenght;i++){
            pageS = await browser.newPage();
            var a = aTags[i];                  
            await pageS.goto(a.href,{'timeout': 0});      
            await pageS.pdf({path: `./polymerization/${a.name}-${i}.pdf`,format:'a4'});
            await pageS.close();
            console.log("完成个数:"+i);
            console.log("下载标题:"+a.name);
        } 
        console.log("5秒后关闭浏览器");
         await browser.close();
        } catch (error) {
            console.log(`this is the ${error}`);
        }
    })();
    
    // 设置间歇时间
    function delay(time) {
        let curtime = new Date().getTime();
        time += curtime;
        while(curtime < time) { 
            curtime = new Date().getTime();
        } 
    }
    

    file

    这是一个简单的产品原型、后期可以加入PDF合并、拆分以及PDF转成图片、图片转PDF、视频格式转换等工具类的工具平台。

    思维和共识


    file

关键字爬虫

Collect from 雨夜的博客 雨夜的博客