【nodejs 爬虫】使用 puppeteer 爬取链家房价信息
使用 puppeteer 爬取链家房价信息
此文记录了使用
puppeteer 库进行动态网站爬取的过程。
页面结构
链家的历史成交记录页面在这里，它是后台渲染模式，无法通过监听和模拟 xhr 请求来快速获取，只能想办法分析它的页面结构，进行元素提取。
页面通过分页进行管理，例如其第二页链接为https://wh.lianjia.com/chengjiao/baibuting/pg2/，遍历分页没问题了。
有问题的是，通过首页可以看到它的历史信息有 5 万多条，一页有 30 条，但它的主页只显示了 100 页，没办法通过遍历分页获取全部数据。
好在，链家提供了筛选器。经过测试，使用街道级的区域筛选可以满足分页的限制。
那么爬取思路就是，遍历区级按钮，在每个区级按钮下面遍历其街道按钮，在每个街道按钮下，遍历其每个分页。
爬虫库
nodejs 领域的爬虫库，比较常用的有 cheerio、pupeteer。其中，cheerio一般用作静态网页的爬取，pupeteer 常用作爬取动态网页。
虽然链家网页是后台静态生成的，但是考虑到要对页面进行操作（点击其区域选择器），因此优先考虑选用 pupeteer 库。
pupeteer 库
pupeteer 库是谷歌浏览器在17年自行开发Chrome Headless特性后，与之同时推出的。本质上就是一个不含界面的浏览器，有点像电脑的终端，所有操作都通过代码进行操作。
这样，我们就可以在对网站进行检索之前，操作指定元素滚动到底部，以触发更多信息。或者在需要翻页的时候，操作代码对翻页按钮进行点击，然后对翻页后的页面进行相关处理。
实现
打开待爬页面
// 1. 引包
const puppeteer = require('puppeteer');
// 2. 在异步环境中执行(pupeteer 所有操作都是异步实现的)
(async ()=>{
// 创建浏览器窗口
const browser = await puppeteer.launch({
headless: false, // 有界面模式，可以查看执行详情
});
// 创建标签页
const page = await browser.newPage();
// 进入待爬页面
await page.goto('https://wh.lianjia.com/chengjiao/');
// 遍历页面
})()
这样就成功在 pupeteer 中打开链家网站了。
光打开是不够的，我们期待的是在网页中操作筛选按钮，获取每个街道的页面，以便我们遍历其分页进行查询。
遍历区级页面
我们首先要找到区级按钮，并点击它。
标准思路
(async ()=>{
// ......
// 使用选择器
/* page.$$() 会在页面执行 document.querySelectorAll，并返回 ElementHandle 对象的数组
page.$() 执行 document.querySelector，返回 ElementHandle 对象
*/
let districts = await page.$$('div[data-role=ershoufang]>div>a')
for(let district of districts){
await district.click() // 模拟点击页面对象
// 遍历街道
}
})
第一想法大概是这样写，通过选择器拿到所有按钮，然后挨个点击。
恭喜，收到报错一枚。
Error: Execution context was destroyed, most likely because of a navigation.
说你的执行上下文被干掉了，可能是因为页面的导航。
为了弄清这个问题，我们有必要先看一下Execution context是什么东东。
这是 pupeteer 内部的组织结构，一个 page 下面有很多个 Frame ，一个Frame 下面有一个 Execution context。
我们这个报错刚好就是在点击第二个按钮时触发的。
那就了然了。点击第一下导航成功， page 就变了，而你的第二个 district 还在依赖之前的那个 page ，结果找不到 Execution context ，然后就报错了。
如何解决呢？
有两个思路。
方法一
将区级按钮的链接缓存下来，这样在遍历跳转的时候，它就不会依赖 原page 。
(async ()=>{
// ......
// 使用选择器
/* page.$$eval('选择器', callback(eles)) 会在page页面内部执行 Array.from(document.querySelectorAll(selector))，然后把数组参数传给 callback
*/
let districts = await page.$$eval('div[data-role=ershoufang]>div>a',links=>{
// 对传进来的元素处理
let arr = []
for(let link of links){
arr.push(link.href)
}
return arr
})
for(let district of districts){
await page.goto(district) // 使用 page.goto() 替代点击
// 遍历街道
}
})
这里需要特殊解释的是，对于页面的操作如点击按钮、导航链接等等都是在 node 里完成的。而在页面之中的操作，比如读取元素的某个属性，是在浏览器的引擎里处理的，类似于 html 文件中 script 标签里的脚本。
对于 pupeteer ，它的脚本文件一般都被包裹在 *.*eval() 之中，譬如page.evaluate(pageFunction[, ...args])、 page.$eval(selector,pageFunction, ...args)、elementHandle.$eval(selector, pageFunction, ...args)。
在这种脚本中，无法访问 node 环境下的全局变量，除非你传参数进去：
let name = 'bug'
page.$eval('id',(ele/* 这个参数是该方法自身返回的所选择元素 */, nodeParam)=>{
console.log(nodeParam) // 'bug'
},name)
方法二
另一个办法，就是在进行链接跳转时，不在 原page 直接跳，而是新开一个 page2 页面。这样你就不能使用点击，而是获取其链接。
(async ()=>{
// 新建一个标签页用来做跳转缓存
const page2 = await browser.newPage();
// ......
// 仍使用原方法获取元素
let districts = await page.$$('div[data-role=ershoufang]>div>a')
for(let district of districts){
let link = (await district.getProperty('href'))._remoteObject.value // 获取属性
await page2.goto(link) // 在新页面跳转，原 page 不变
// 遍历街道
}
})
这两种办法都可行，不过第一种办法似乎更简单一点，将每个按钮的链接都缓存过后，似乎也没有再保留 原page 的必要。
总之呢，我们现在已经能够遍历各个区级页面了！
遍历街道页面
以下操作均在遍历区级页面的 for 循环中书写。
操作与遍历区级页面类似，首先找到街道按钮，然后循环跳转。这里的跳转逻辑也跟上述类似，要么选择缓存其链接，要么新开一个 page3 做分页循环。
我喜欢缓存，毕竟新开页面也要耗内存不是？
(async ()=>{
let streets = await page.$$eval(
'div[data-role=ershoufang] div:last-child a', (links => {
// 对传进来的元素处理
let arr = []
for(let link of links){
arr.push(link.href)
}
return arr
})
)
for(let street of streets){
await page.goto(street) // 使用 page.goto() 替代点击
// 遍历页码
}
})
遍历分页
因为分页的链接处理比较简单，递增就可以了。
有个小问题，我们如何确定循环结束。
有几个思路，
第一，街道首页会显示该区域共有多少套房，每个分页是 30 套，除一下就可以了。
第二，我们可以获取分页按钮的最后一个数值，不过遗憾的是最后一个数值大部分情况下是 下一页，鉴于此我们也许可以做个 while 循环，当该分页的最后一个按钮不是 下一页 时表示遍历结束。但对于房数比较少的区域，也许只有两三页，本来就没有下一页 按钮，那就会直接跳过漏爬。
第三，查看一下页面结构。以上都是从渲染过后的页面上看到的信息，而在页面结构上也许有 totalPage 之类的字段。仔细看了下分页组件，果然在标签属性里有总页数。
以上思路中，第二个大概是最二的，然而我就是用的这个方法…出了好多低级错误，才换。其实第二个只要简单优化一下也可以用，比如获取分页按钮的最后一个，如果是下一页，就获取它前面的兄弟元素，还是能轻松得到总页数。
总之让我们用最简单的吧：
// 遍历页码
let totalPage = await page.$eval('div.house-lst-page-box',el => {
return JSON.parse(el.getAttribute('page-data')).totalPage
})
for (let i = 1; i <= totalPage; i++) {
// 这里的一个小优化，因为街道首页即是第一页，没必要再跳
if(i > 1) await page.goto(`${street}pg${i}`) // 跳转拼接的分页链接
// 业务代码
}
业务信息
这样，我们就实现了每一页数据的遍历，可以开开心心地写业务逻辑了。
基本上能看到的数据，都可以抓取下来，全凭你的兴趣。
这里分享一下我的部分爬虫代码：
// 基本就是 page.$$eval() 选择元素，然后在页面内执行分析，将结果 return 出来
let page_storage = await page.$$eval('ul.listContent>li', (lis => lis.map(li => {
let link = li.querySelector('a').href;
let [orientation, decoration] = li.querySelector('.houseInfo').innerText.split(' | ')
let title = li.querySelector('div.title>a').innerText.split(' ')
let [name, type, area] = [...title]
let date = li.querySelector('.dealDate').innerText
let totalPrice = li.querySelector('.totalPrice .number').innerText
let unitPrice = li.querySelector('.unitPrice .number').innerText
return {
// 用不了 es6 语法
orientation: orientation,
decoration: decoration,
link: link,
name: name,
type: type,
area: area,
date: date,
totalPrice: totalPrice,
unitPrice: unitPrice
}
}))
// 成果保存
成果保存
我是把数据先存在本地了，也可以直接保存到数据库。
这里需要注意的是，要将读写文件的操作也做下 Promise 封装，不然异步执行得有点乱。
const saveTOLocal = function (obj) {
// 返回一个 promise 对象
return new Promise((resolve, reject) => {
// 读取文件
fs.readFile('./data/yichengjiao.json', 'utf8', (err, data) => {
let res = JSON.parse(data)
// 更新内容
res.push(obj)
// 写入文件
fs.writeFile(`./data/yichengjiao.json`, JSON.stringify(res), 'utf8', (err) => {
resolve() // 写入完成后，promise resolved
})
})
})
}
(async ()=>{
// ......
await saveToLocal(page_storage)
})
因为网络原因，或者代码问题，或者各种奇奇怪怪的意想不到的事情，都可能导致你的爬虫系统崩溃，所以，不要等全部爬取完后统一保存——你可能会搞砸掉所有鸡蛋。而是分阶段性地保存，比如我是以街道为单位进行保存的（上面的以页为单位只是演示）。
同时，还要有预案，当爬虫崩溃后，你要知道它在哪崩溃的，如何让它在崩溃的位置重新启动，而不是每次都要从头开始。
代码优化
主干功能部分已经说完了，对于几个细小的优化点也是很重要的，它很可能会让你节省好多好多时间。
算笔账，比如总共有 5万 套房，你要打开 5万 个网页，一个网页打开两三秒，你需要 40 个小时才能爬完。如果把打开网页的速度提升一秒，你就能节省 20 个小时！
page.goto()
在上面的描述中，我统一用 page.goto(url) 的方式，没有加任何配置，是为了方便理解。现在，这些关键的配置必须要补上了。
page.goto(url, {
/*
网络超时，默认是 30s 。
但难免遇到网络不好的时候，如果一过 30s 就报错，还是挺难受的。
设为 0 表示无限等待。
*/
timeout:0,
/*
页面认为跳转成功的满足条件，默认是 'load'，页面的 load 事件触发才算成功。
但其实大部分情况下用不到 load 条件，我们需要的很多页面信息都在结构和样式里，当 domcontentloaded 触发就够用了。
时间对比上，load 要两三秒，domcontentloaded 一秒都用不了，提升非常大。
*/
waitUntil:'domcontentloaded'
})
业务优化
链家这个网站自身特性上，它一个街道有时对应好几个区，当你爬完这个区的所有街道，爬另一个区时发现又跳回这个街道再爬一次，就很消耗时间做无用功。
我的解决办法是在爬街道的时候，给街道名做缓存。当下次爬到它时，就直接跳过爬下一个。
我还有一个额外的需求是爬每套房子的坐标，在分页界面没有，必须跳转到该房子的链接下找。如果每个房子都跳一遍，5万 套，一个 1s 也要十几个小时。
不过链家中的房子地址是以小区为单位的，同一小区的所有房子共享同一坐标。所以，我在爬取街道信息的时候，都新建一个小区名缓存，如之前有记录，就不必跳转直接沿用之前的坐标。据测试，一个街道的几百栋房子，一般分布在 60 个左右的小区里。所以我只需要跳转60次就能获取几百个数据。
成果展示
综合使用上述方法，共花了一个半小时获取了 5万 套房子的属性和坐标。
这是使用 leaflet 做的一点可视化：
房价热力图
房屋点聚合
百度热力图
