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(858)
- * 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。
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(); } }
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())
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?
puppeteer和selenium的主要区别?
语言特性和实现
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();
}
}
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
关键字:爬虫
上一篇:2023一直在努力
下一篇:不超过百行的SQL文件提取器