php 爬取数据

Posted 2022-04-01 sweetsunnyflower

对于一般的页面数据我们用querylist可以很容易的抓取页面然后分析其中的dom树，抓取自己需要的数据，存储到数据库，但是有时候会遇到想要抓取的数据通过javascript渲染的，这个时候

Puppeteer 插件就派上用场了，

composer require nesk/puphpeteer

npm install @nesk/puphpeteer

参考https://querylist.cc/docs/guide/v4/Puppeteer，在根据文档来做的时候，发现

 ERROR: Failed to download Chromium r672088! Set "PUPPETEER_SKIP_CHROMIUM_DOWNLOAD" env variable to skip download. 错误，

解决办法 https://npm.taobao.org/package/puppeteer-cn 

 

采集网页内容是一项很常见的需求，比较传统的静态页面，curl 就能搞定。但如果页面中有动态加载的内容，比如有些页面里通过 ajax 加载的文章正文内容，又如果有些页面加载完成后进行了一些额外处理（图片地址替换等等……）而你想采集这些处理过后的内容。那么牛逼闪闪的 curl 也束手无策了。

做过类似需求的人可能会说，老铁，上 PhantomJS 啊！

没错，这是一个办法，而且在相当长的时间里 PhantomJS 是为数不多的能解决这类需求的工具里的佼佼者。

但今天这里要介绍的是一个后来居上的工具 -- puppeteer，它是随着 Chrome Headless 技术兴起而快速发展起来的。而且非常关键的是，puppeteer 由 Chrome 的官方团队开发和维护，可以说相当靠谱了！

puppeteer 是一个 js 包，要想在 Laravel 中使用，得借助于另一神器 spatie/browsershot。

 

安装

1. 安装 spatie/browsershot

   browsershot 是一个 composer 包，出自于大神团队 spatie

$ composer require spatie/browsershot

2. 安装 puppeteer

$ npm i puppeteer --save

也可以全局安全 puppeteer 但就个人经验而言，在项目中安装是比较推荐的做法，因为这样不同项目不会同时受全局安装的 puppeteer 影响，此外项目中安装也方便使用 phpdeployer 进行升级（phpdeploy 升级时不会影响线上项目运行，要知道升级 / 安装 puppeteer 可是很费时的，有时候还不能保证一次成功）。

安装 puppeteer 时会下载 Chromium-Browser，鉴于咱特殊国情，很有可能出现无法下载的情况，对此，就请大家各显神通吧……

 

使用

以采集今日头条手机版页面文章内容为例。

use Spatie\Browsershot\Browsershot;

public function getBodyhtml()

    $newsUrl = ‘https://m.toutiao.com/i6546884151050502660/‘;

    $html = Browsershot::url($newsUrl)
        ->windowSize(480, 800)
        ->userAgent(‘Mozilla/5.0 (Linux; android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Mobile Safari/537.36‘)
        ->mobile()
        ->touch()
        ->bodyHtml();

    \Log::info($html);

运行后可以在日志中看到如下内容（截图中只是其中部分）

 

 

 

此外，也可以将页面保存为图片或 PDF 文件。

use Spatie\Browsershot\Browsershot;

public function getBodyHtml()

    $newsUrl = ‘https://m.toutiao.com/i6546884151050502660/‘;

    Browsershot::url($newsUrl)
        ->windowSize(480, 800)
        ->userAgent(‘Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Mobile Safari/537.36‘)
        ->mobile()
        ->touch()
        ->setDelay(1000)
        ->save(public_path(‘images/toutiao.jpg‘));

 

 

 

图片里那些框与系统字体有关。代码中使用了一个 setDelay () 方法，是为了让内容加载完成后再进行截图，简单粗暴，可能不是最好的解决办法。

 

可能出现的问题

• 系统得支持 Chromium 浏览器，当然现在绝大部分浏览器是支持的，要不然也没法，还是用 PhantomJS 吧。

• 项目中安装了 puppeteer 后调用时有可能出现权限问题，这就需要对项目下 /node_modules/puppeteer 目录赋予适当的权限。

 

总结

puppeteer 被应用于测试、采集等场景，是一个非常有力的工具。对于轻度的采集任务，是够用的，比如本文这类在 Laravel (php) 里来用采集一些小页面，但如果需要快速采集大量内容，还是 Python 啥的吧。