我正在尝试用node构建一个网络爬虫程序,并遇到了木偶程序包,它看起来非常适合我想要的东西。我的最终结果是收集一个页面的所有链接、所有文本内容,然后是页面本身的屏幕截图。
我运行了下面的链接,它似乎收集了大量的链接,但是在实际的站点检查中有一些链接,它没有收集。
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,这些链接会引出站点,这正是我想做的事情,否则我只能爬行一个站点。
我的脚本只显示一些链接有什么原因吗?查询选择器是否太窄或拒绝某些链接?