前言
最近在做一个小程序项目，需要爬取第三方数据，于是开始重捡起来爬虫，其实前端爬虫挺好实现的，但因为现在网页出现了SPA，于是开始疯狂踩坑，聊记此文，以慰诸君。
普通网站爬取数据--cheerio
挺简单的，一个工具包，几行代码就解决了
const $ = require('cheerio')const requestPromise = require('request-promise')const url = 'https://juejin.im/books';requestPromise(url) .then((html) => { // 利用 cheerio 来分析网页内容，拿到所有小册子的描述 const books = $('.info', html) let totalSold = 0 let totalSale = 0 let totalBooks = books.length // 遍历册子节点，分别统计它的购买人数，和销售额总和 books.each(function () { const book = $(this) const price = $(book.find('.price-text')).text().replace('￥', '') const count = book.find('.message').last().find('span').text().split('人')[0] totalSale += Number(price) * Number(count) totalSold += Number(count) }) // 最后打印出来 console.log( `共 ${totalBooks} 本小册子`, `共 ${totalSold} 人次购买`, `约 ${Math.round(totalSale / 10000)} 万` ) })复制代码 但。。。但是，上面例子爬取掘金是不行的，因为掘金就是经典的SPA，服务器只返回一个空的挂载节点，毫无数据。于是引出无头浏览器puppeteer
SPA页面爬取--puppeteer
const $ = require('cheerio');const puppeteer = require('puppeteer');const url = 'https://juejin.im/books';async function run(params) { //打开一个浏览器 const browser = await puppeteer.launch(); // 打开一个页面 const page = await browser.newPage(); await page.goto(url, { waitUntil: 'networkidle0' }); const html = await page.content(); const books = $('.info', html); let totalSold = 0 let totalSale = 0 let totalBooks = books.length // 遍历册子节点，分别统计它的购买人数，和销售额总和 books.each(function () { const book = $(this) const price = $(book.find('.price-text')).text().replace('￥', '') const count = book.find('.message').last().find('span').text().split('人')[0] totalSale += Number(price) * Number(count) totalSold += Number(count) }) // 最后打印出来 console.log( `共 ${totalBooks} 本小册子`, `共 ${totalSold} 人次购买`, `约 ${Math.round(totalSale / 10000)} 万` )}run()复制代码