imsong52/puppeteer-deep

Puppeteer, Headless Chrome；爬取《es6标准入门》、自动推文到掘金、站点性能分析；高级爬虫、自动化UI测试、性能分析；

首先介绍Puppeteer

• Puppeteer是一个node库，他提供了一组用来操纵Chrome的API，理论上使用它可以做任何Chrome可以做的事
• 有点类似于PhantomJS，但Puppeteer由Chrome官方团队进行维护，前景更好
• Puppeteer的应用场景会非常多，就爬虫领域来说，远比一般的爬虫工具功能更丰富，性能分析、自动化测试也不在话下
• Puppeteer官方文档请猛戳这里

提下Puppeteer的应用场景, 本项目会针对此做几个可用的DEMO，有些会放入博客进行详解

1. 高级爬虫（有别于传统爬虫.使用Puppeteer可以拿到渲染后的效果。而传统爬虫相当于只能拿到http response，对字符串进行解析）
2. UI自动化测试（使用Puppeteer可以模拟用户操作，模拟表单填写）
3. 页面性能分析 (使用chrome的timeline，也就是Puppeteer提供的trace API)
4. 访问 http://www.zhentaoo.com/2017/08/23/Pupputeer2/ , 有3篇更为细致的介绍

项目Repo && Usage

1. git clone https://github.com/zhentaoo/puppeteer-deep
2. npm install (puppeteer在win下100+M、mac下70+M，请耐心等候)

• npm run sf-juejin (推荐segmentfault的热门文章到掘金)
• npm run monitor (前端监控、报警)
• npm run es6 (爬取了阮一峰老师的《ES6标准入门》并打印PDF)
• npm run zhentaoo (打印 www.zhentaoo.com 首页的图片)
• npm run trace (生成 www.zhentaoo.com 的trace.json，并分析性能)

一、 UI自动化测试--自动推荐segmentfault的热门文章到掘金

1. 废话不多说，先上动图/视频看效果

GIF图片比较大，如果不能加载成功，也可以到微博看下录制的视频 http://weibo.com/tv/v/FiHMz7dcq?fid=1034:dcc08a8eee118263f6071fb6fafcc9a9

2. 开始介绍，第一步，爬取 segmentfault 前30篇热门文章

• 跳转到https://segmentfault.com/news/frontend
• 接着分析SF首页的Dom结构，爬取每篇文章的链接
• 然后取出每篇文章最重要的 href，title 等信息
• 具体代码如下：

    await page.goto('https://segmentfault.com/news/frontend')

    var SfFeArticleList = await page.evaluate(() => {
        var list = [...document.querySelectorAll('.news__list .news__item-title a')]
        return list.map(el => {
            return {href: el.href.trim(), title: el.innerText}
        })
    })

    await page.screenshot({path: './sf-juejin/sf.png', type: 'png'});

3. 登录掘金 (这里我事先注册了个测试账号,大家可以替换成自己的)

• 跳转到掘金，模拟点击登录按钮
• 接着，会弹出一个的登录dialog，模拟输入用户名密码
• 模拟点击登录，稍等....嗯...掘金应该把cookie写好了....
• 代码如下：

      await page.goto('https://juejin.im')

      var login = await page.$('.login')
      await login.click()

      var loginPhoneOrEmail = await page.$('[name=loginPhoneOrEmail]')
      await loginPhoneOrEmail.click()
      await page.type('18516697699@163.com', {delay: 20})

      var password = await page.$('[placeholder=请输入密码]')
      await password.click()
      await page.type('123456', {delay: 20})

      var authLogin = await page.$('.panel .btn')
      await authLogin.click()

4.推荐文章（使用第一步从SF爬取的文章信息）

• 模拟点击推荐文章 按钮 “＋”
• 这时从SF拿到的文章信息就派上用场了，随机取出一篇: Math.floor(Math.random() * 30)
• 模拟填写推荐表单，点击发布
• 嗯，有时会提示该文章已被分享，那就换一篇吧，再执行一次。
• 代码如下

      var seed = Math.floor(Math.random() * 30)
      var theArtile = SfFeArticleList[seed]

      var add = await page.$('.main-nav .ion-android-add')
      await add.click()

      var shareUrl = await page.$('.entry-form-input .url-input')
      await shareUrl.click()
      await page.type(theArtile.href, {delay: 20})

      await page.press('Tab')
      await page.type(theArtile.title, {delay: 20})

      await page.press('Tab')
      await page.type(theArtile.title, {delay: 20})

      await page.evaluate(() => {
          let li = [...document.querySelectorAll('.category-list-box .category-list .item')]
          li.forEach(el => {
              if (el.innerText == '前端')
                  el.click()
          })
      })

      var submitBtn = await page.$('.submit-btn')
      await submitBtn.click()

二、 前端监控系统 http://zhentaoo.com/2017/10/14/Puppeteer3

代码 https://github.com/zhentaoo/hawk-eye

1. 为什么要有前端监控系统?

目前市面上以及各大公司流行的监控系统，都是API层的监控，包括调用量、数据、响应时长..... 似乎只要接口没问题，整个系统就是稳定运行的，一切皆大欢喜 但事实并非如此，CDN、DNS、Webview等等这些条件，都可能导致前端渲染失败、白屏 离用户最近的一层--前端，却迟迟没有被加入监控列表，无形中流失多少用户.....

2. Node Express Server

• 如果还不会用express，请看我的博客 http://www.zhentaoo.com/2016/05/13/ExpressJS/
• 使用 express monitor 命令，生成express项目模版
• 安装并启动mongodb，推荐 robomongo 可视化工具
• 提供两个接口，1当Puppeteer发现网页渲染有异常则调用,2获取系统监控状态

3. 定时脚本

• 设置定是脚本，每隔5分钟，访问 www.zhentaoo.com，抓取关键信息，并生成截图
• 如果信息获取失败，则将截图保存至err目录，并记入数据库中

function monitor() {
puppeteer.launch().then(async browser => {
    let page = await browser.newPage();

    await page.goto('http://www.zhentaoo.com/');
    await timeout(2000);

    let aTags = await page.evaluate(() => {
      let as = [...document.querySelectorAll('ol li a')];
      return as.map((a) =>{
          return {
            href: a.href.trim(),
            name: a.text
          }
      });
    });

    await page.screenshot({path: './data/zhentaoo/zhentaoo.png', type: 'png'});
    browser.close();
  });
}

monitor();
setInterval(monitor, 1000 * 60 * 5);

4. 进阶：与Chrome插件集成

如果单纯的监控系统，每每需要点击，然后去看监控的情况，想必也有些麻烦 那么为何不做个Chrome插件，显示监控状态呢？ 好吧，可以看我的另一个repo，https://github.com/zhentaoo/bitcoin-price，学习如何写一个chrome插件 然后监控系统提供API给Chrome插件使用

三、高级爬虫--爬取《ES6标准入门》并打印成PDF

1. 运行Puppeteer，使用launch

  puppeteer.launch().then(async browser => {
    ......
    what you want
    ......
  })

2. 跳转至 阮一峰老师的ES6博客，使用goto

  let page = await browser.newPage();
  await page.goto('http://es6.ruanyifeng.com/#README');

3. 分析博客左侧导航栏的dom结构，并拿到所有链接的href、title信息

  let as = [...document.querySelectorAll('ol li a')];
  return as.map((a) =>{
      return {
        href: a.href.trim(),
        name: a.text
      }
  });

4. 使用Puppeteer打印当前页面的PDF，使用pdf

  await page.pdf({path: `./es6-pdf/${aTags[0].name}.pdf`});

5. 最终结果，将20多页博客打印成PDF

四、性能分析--Puppeteer Trace API

1. 简单介绍 Trace API

Trace API其实很简单，主要是使用Chrome Performance，生成当前页面的 性能追踪 文件， 然后将该文件上传给Chrome，就可以利用Chrome的开发者工具分析火焰图、各种数据参数

2. API: 使用 tracing start，stop生成trace.json

await page.tracing.start({path: './data/trace/trace.json'});
await page.goto('http://www.zhentaoo.com');
await page.tracing.stop();

3. 将trace.json上传给chrome，如下图

4. Chrome Performance/Timeline 使用教程

关于Chrome Performance／Timeline的使用又是一个大篇幅，这里提供一个教程

• Chrome 开发者工具
• 如何查看性能
• 分析运行时性能
• 诊断强制的同步布局

结语

1. 为了效果展示，这里使用的headless: false模式，实际使用时可以同时开n个page，模拟操作，大家可以尝试改改，也可以给我提PR
2. 目前已经带领大家，使用Puppeteer完成爬虫 和 UI自动化测试，接下来可能会出第三篇，应该会是关于前端性能分析
3. 其实Puppeteer的应用场景远不止这些，大家也可以使用它在各自的领域大放异彩！！！
4. 希望掘金小编不会打我....