Puppeteer 入门与实战

2024-03-18 15:02:46

本文首发于 vivo互联网技术 微信公众号 
链接：https://mp.weixin.qq.com/s/P-YdQPOQ9GZgjDEP7VG8ag
作者：Wang Zhenzheng

Puppeteer 是 Chrome开发团队2017年发布的一个 Node.js包，提供了一组用来操纵Chrome的API，通俗来说就是一个Headless Chrome浏览器，这Headless Chrome也可以配置成有UI的 。利用Puppeteer可以做到爬取页面数据，页面截屏或者生成PDF文件，前端自动化测试（模拟输入/点击/键盘行为）以及捕获站点的时间线，分析网站性能问题。

一、起因

虽说Puppeteer是Chrome开发团队2017年发布的一个 Node.js包，但是在团队日常工作中基本没有使用。前段时间在开发一个聊天工具的时候，需要引入emoji表情，但是业务方的需求是要使用Google emoji，那我们就需要在emojipedia上将这些图保存下来。这么多的图如果一张一张保存，那就枉为开发了。首先想到的是调用该页面的api接口，从接口中拿到对应的emoji地址然后遍历到本地文件。

尴尬的是这个页面是直出的，不是通过接口调用，那就需要我们换个思路，我们发现这些emoji的DOM是在一个class为emoji-grid的ul下，那么如果拿到该ul节点下的全部img的url，然后遍历到本地，是不是就做到将emoji表情保存下来。

依据这个思路，我们就想到使用Puppeteer，在介绍Puppeteer之前我们先将这段简单的捕获moji表情的代码放出来。

const puppeteer = require('puppeteer')
const request = require('request')
const fs = require('fs')

async function getEmojiImage (url) {
  // 返回解析为Promise的浏览器
  const browser = await puppeteer.launch()
  // 返回新的页面对象
  const page = await browser.newPage()
  // 页面对象访问对应的url地址
  await page.goto(url, {
    waitUntil: 'networkidle2'
  })
  // 等待3000ms，等待浏览器的加载
  await page.waitFor(3000)
  // 可以在page.evaluate的回调函数中访问浏览器对象，可以进行DOM操作
  const emojis = await page.evaluate(() => {
    let ol = document.getElementsByClassName('emoji-grid')[0]
    let imgs = ol.getElementsByTagName('img')
    let url = []
    for (let i = 0; i < 97; i++) {
      url.push(imgs[i].getAttribute('src'))
    }
    // 返回所有emoji的url地址数组
    return url
  })
  // 定义一个存在的json
  let json = []
  for (let i = 0; i < emojis.length; i++) {
    const name = emojis[i].slice(emojis[i].lastIndexOf('/') + 1)
    // 将emoji写入本地文件中
    request(emojis[i]).pipe(fs.createWriteStream('./' + (i < 10 ? '0' + i : i) + name))
    json.push({
      name,
      url: `./a/a/${name}` // 你的url地址
    })
    console.log(`${name}----emoji写入成功`)
  }
  // 写入json文件
  fs.writeFile('./google-emoji.json', JSON.stringify(json), function () {})

  // 关闭无头浏览器
  await browser.close()
}

getEmojiImage('https://emojipedia.org/google/')

在了解Puppeteer之前，我们先来看下Headless Chrome。

二、Headless Chrome

Headless Chrome在Chrome59中发布，用于在headless环境中运行Chrome浏览器，也就是在非Chrome环境中运行Chrome。它将Chromium和Blink渲染引擎提供的所有现代Web平台功能引入命令行。

headless如何在终端中使用：我们尝试通过终端命令打开vivo 的官网

chrome  --headless --disable-gpu --remote-debugging-port=8080  https://vivo.com.cn

注意：在Mac上使用前，建议先绑定Chrome的别名

alias chrome="/Applications/Google\ Chrome.app/Contents/MacOS/Google\ Chrome"

此时，Headless Chrome已经成功运行了，浏览器输入 http://127.0.0.1:8080，你会看到如下的vivo界面：

Puppeteer 入门与实战

除此之外，还可以以命令行的形式去执行以下常见的操作：

1、打印DOM：Puppeteer 入门与实战 

chrome --headless --disable-gpu --dump-dom https://vivo.com.cn

2、创建一个PDF文件Puppeteer 入门与实战 

chrome --headless --disable-gpu --print-to-pdf https://vivo.com.cn

3、截屏Puppeteer 入门与实战 

chrome --headless --disable-gpu --screenshot https://vivo.com.cn
// 设置截屏的尺寸
chrome --headless --disable-gpu --screenshot --window-size=1280,1696 https://vivo.com.cn

那么，Puppeteer是什么？又可以做些什么？Puppeteer是一个node库，提供了一组用来操纵Chrome的API，通俗来说就是一个Headless Chrome浏览器，这Headless Chrome也可以配置成有UI的，默认是没有的。

三、Puppeteer

Puppeteer可以做些什么呢？我们从文章开始的一个demo中可以发现，Puppeteer可以爬取页面数据。除此之外，结合Headless Chrome的一些命令行，Puppeteer可以做到一下几点：

  • 爬取页面数据
  • 页面截屏或者生成PDF文件
  • 前端自动化测试（模拟输入/点击/键盘行为）
  • 捕获站点的时间线，分析网站性能问题

1、初探

这是Puppeteer官方提供的一张API分层结构图

Puppeteer 入门与实战

（图片来源于网络）

从图上我们可以发现，Puppeteer是通过使用Chrome DevTools Protocol(CDP)协议与浏览器进行通信，而Browser对应一个浏览器实例，可以拥有浏览器上下文，一个Browser可以包含多个BrowserContext。Page表示一个Tab页面，一个BrowserContext可以包含多个Page。每个页面都有一个主的Frame，ExecutionContext是Frame提供的一个JavasSript执行环境。

2、Browser

一切的起源都是从Browser开始的，我们先来梳理下Browser实例以后发生了什么。

首先，通过puppeteer.launch()创建一个Browser实例

const browser = await puppeteer.launch({
    // --remote-debugging-port=3333会启一个端口，在浏览器中访问http://127.0.0.1:3333/可以查看
    args: ['--remote-debugging-port=3333']
})
console.log(browser.wsEndpoint())
Puppeteer 入门与实战

通过打印的browser.wsEndpoint()，我们看到输出一个如下的链接：

ws://127.0.0.1:57546/devtools/browser/5d6ee624-6b5e-4b8c-b284-5e4800eac853
Puppeteer 入门与实战

这就是devTool用于连接调试页面的连接了，这个websocket连接遵循CDP协议，我们看下这里面具体有什么。

{"id":46,"method":"CSS.getMatchedStylesForNode","params":{"nodeId":5}}
{"id":47,"method":"CSS.getComputedStyleForNode","params":{"nodeId":5}}
Puppeteer 入门与实战

每条信息的格式是有一个递增的id值，然后有method和params参数。这些消息指挥者被调试页面做出各种各样的动作。换而言之，任何一个实现了CDP的程序都可以用来调试页面，chrome 这个协议等于是开放了用程序控制页面动作的接口。比如我们可以这样子模拟一个alert到页面。

{"id":190,"method":"Runtime.compileScript","params":{"expression":"alert()","sourceURL":"","persistScript":false,"executionContextId":3}}
Puppeteer 入门与实战

这种直接操作太不友好，而Puppeteer正是实现了遵循CDP的Node顶层API，使我们可以调用简单方便的操作对应的指令。

3、Page

browser.newPage()为Browser中浏览器上下文的方法。我们看下newPage()的代码实现。

/**
* @param {?string} contextId
* @return {!Promise<!Puppeteer.Page>}
*/
async _createPageInContext(contextId) {
    const {targetId} = await this._connection.send('Target.createTarget', {url: 'about:blank', browserContextId: contextId || undefined});
    const target = await this._targets.get(targetId);
    assert(await target._initializedPromise, 'Failed to create target for page');
    const page = await target.page();
    return page;
}
Puppeteer 入门与实战

this._connection.send('Target.createTarget',{})使用CDP中的Target.createTarget创建页面了页面，同样，在我们其他API时也是在使用CDP中的方法，例如page.goto()实际上是执行的是client.send('Page.navigate', {});。而在Page中的一些操作，如点击/模拟输入，则是调用的DomWorld实例，DomWorld通过FrameManager管理，Page对象主要使用三种manager来管理常见操作:

  • FrameManager：页面行为管理。如跳转goto，点击clcik，模拟输入type，等待加载waitFor等

  • NetworkManager：网络行为管理。如设置每个请求忽略缓存setCacheEnabled，请求拦截setRequestInterception等

  • EmulationManager：模拟行为管理。只有一个方法，emulateViewport，模拟设备与视口尺寸

四、应用

除了文章开始的抓取emoji表情外，我们尝试将Puppeteer应用在一个前端自动化测试的场景中，我们在后台管理系统开发测试中，经常会碰到表单的提交，对于表单中不同字段的校验需要模拟不同的场景，人工的点击效率低，而且每次都需要重复表单输入，比较繁琐。

Puppeteer 入门与实战

基于该场景，我们使用Puppeteer实现自动填写-保存-打印接口返回数据-截图。

STEP 1

创建一个Browser类的实例，并通过参数设置初始化它（更多设置参数参考官网API）

const browser = await puppeteer.launch({
    devtools: true, //是否为每个选项卡自动打开DevTools面板
    headless: false,    //是否以无头模式运行浏览器。默认是true，除非devtools选项是true
    defaultViewport: { width: 1000, height: 1200 }, //为每个页面设置一个默认视口大小
    ignoreHTTPSErrors: true //是否在导航期间忽略 HTTPS 错误
})
Puppeteer 入门与实战

STEP 2

创建一个 Page 实例，导航到一个url

const page = await browser.newPage()
await page.goto(url, {
    waitUntil: 'networkidle0'
})
Puppeteer 入门与实战

waitUntil参数是来确定满足什么条件才认为页面跳转完成。包括以下事件：

  • load - 页面的load事件触发时
  • domcontentloaded - 页面的DOMContentLoaded事件触发时
  • networkidle0 - 不再有网络连接时触发（至少500毫秒后）
  • networkidle2 - 只有2个网络连接时触发（至少500毫秒后）

该处用到的是不再有网络连接认为页面跳转完成。值得注意的是，后台管理系统会有token的校验，此处有两种解决方案，一种是等待页面自动跳转到登陆处，模拟登陆操作然后返回；一种是直接在cookie里设置token信息。我们采用第二种，代码如下：

const cookies = [
    {
      name: 'token',
      value: 'system tokens', //你系统自己的token
      domain: 'domain' //需要种在哪个domain下
    }
]
await page.setCookie(...cookies)
Puppeteer 入门与实战

STEP 3

模拟页面输入操作和点击事件，我们代码就只列举两个，不一一展开了。

// 操作input输入 132 ，delay参数表示输入延迟
await page.type('.el-form-item:nth-child(1) input', '132', { delay: 20 })
// 操作点击
await page.click('.el-form-item:nth-child(2) .el-form-item__content label:nth-child(1)')
Puppeteer 入门与实战

STEP 4

监测页面是否有API响应，响应后将响应数据打印在控制台。

page.on('response', response => {
    const req = response.request()
    console.log(`Response的请求地址：${req.url()}，请求方式是：${req.method()}, 请求返回的状态${response.status()},`)
    let message = response.text()
    message.then(function (result) {
        console.log(`返回的数据：${result}`)
    })
})
Puppeteer 入门与实战

STEP 5

将操作后的页面信息截图保存

// 截取url中的路径标示，作为保存图片的命名，防止保存后覆盖
const testName = decodeURIComponent(url.split('#/')[1]).replace(/\//g, '-')
await page.screenshot({
    path: `${testName}.png`,
    fullPage: true
})
Puppeteer 入门与实战

STEP 6

关闭Browser—await browser.close()

至此，我们完成了一个表单的自动化校验和测试。我们看下效果：

1.前端校验通过，请求到服务端接口的数据

Puppeteer 入门与实战

2.如果前端校验没通过，直接截图生成

Puppeteer 入门与实战

五、拓展

  1. 模拟线上环境点检操作走查
  2. 定时爬去周报日报数据，生成截图发送给相关人员查看

六、参考

  1. https://developers.google.com/web/updates/2017/04/headless-chrome

  2. https://peter.sh/experiments/chromium-command-line-switches/

  3. https://zhaoqize.github.io/puppeteer-api-zh_CN/#/

更多内容敬请关注 vivo 互联网技术 微信公众号

Puppeteer 入门与实战

注：转载文章请先与微信号：Labs2020 联系。

上一篇：20135239益西拉姆 Linux内核分析 汇编一个简单的c程序并分析其指令过程


下一篇：Puppeteer的使用