时间戳

首页 > 解决方案 > puppeteer 获取 href 数组，然后遍历每个 href 和该页面上的 href

javascript - puppeteer 获取 href 数组，然后遍历每个 href 和该页面上的 href

问题描述

我正在尝试通过 node.js 中的 puppeteer 抓取数据

目前，我正在寻找编写一个脚本，该脚本会在 well.ca 的某个部分中抓取所有数据

现在，这是我试图通过 node.js 实现的方法/逻辑

1 - 前往网站的医学健康部分

.panel-body-content2 - 使用 dom 选择器通过 dom 选择器获取一组 hrefpanel-body-content a[href] 以抓取子部分

3 - 使用 for 循环遍历每个链接（小节）

col-lg-5ths col-md-3 col-sm-4 col-xs-6 4 对于每个小节链接，通过获取具有值的每个类的 href，为每个产品获取另一个 href 数组.col-lg-5ths col-md-3 col-sm-4 col-xs-6 a[href]

5 - 遍历小节内的每个产品

6 - 为每个产品抓取数据

目前，我已经编写了上述大部分代码：

const puppeteer = require('puppeteer');
const chromeOptions = {
  headless: false,
  defaultViewport: null,
};
(async function main() {
  const browser = await puppeteer.launch(chromeOptions);
  try {
    const page = await browser.newPage();
    await page.goto("https://well.ca/categories/medicine-health_2.html");
    console.log("::::::: OPEN WELL   ::::::::::");

    // href attribute
    const hrefs1 = await page.evaluate(
      () => Array.from(
        document.querySelectorAll('.panel-body-content a[href]'),
       a => a.getAttribute('href')
     )
   );
    
    console.log(hrefs1);

    const urls = hrefs1

    for (let i = 0; i < urls.length; i++) {
      const url = urls[i];
      await page.goto(url);
    }
      const hrefs2 = await page.evaluate(
     () => Array.from(
      document.querySelectorAll('.col-lg-5ths col-md-3 col-sm-4 col-xs-6 a[href]'),
       a => a.getAttribute('href')
     )
    );

当我尝试为每个产品的每个 href 获取一个数组时，我在数组中什么也没有收到。

如何添加嵌套的 for 循环，以获取每个小节中每个产品的所有 href 数组，然后访问每个产品链接？

.col-lg-5ths col-md-3 col-sm-4 col-xs-6什么是正确的 dom 选择器，用于获取具有 id的类中的所有 href product_grid_link

如果我想添加一个后续循环以通过每个小节中产品的 href 从每个产品中获取信息，我该如何将其嵌入到代码中？

任何帮助将非常感激

标签： javascripthtmlnode.jsarrayspuppeteer

解决方案

似乎有些链接是重复的，所以最好收集最终页面的所有链接，对链接列表进行重复数据删除，然后刮掉最终页面。（您也可以将最终页面的链接保存在文件中以供以后使用。）该脚本收集了 5395 个链接（已删除）。

'use strict';

const puppeteer = require('puppeteer');

(async function main() {
  try {
    const browser = await puppeteer.launch({ headless: false, defaultViewport: null });
    const [page] = await browser.pages();

    await page.goto('https://well.ca/categories/medicine-health_2.html');

    const hrefsCategoriesDeduped = new Set(await page.evaluate(
      () => Array.from(
        document.querySelectorAll('.panel-body-content a[href]'),
        a => a.href
      )
    ));

    const hrefsPages = [];

    for (const url of hrefsCategoriesDeduped) {
      await page.goto(url);
      hrefsPages.push(...await page.evaluate(
        () => Array.from(
          document.querySelectorAll('.col-lg-5ths.col-md-3.col-sm-4.col-xs-6 a[href]'),
          a => a.href
        )
      ));
    }

    const hrefsPagesDeduped = new Set(hrefsPages);

    // hrefsPagesDeduped can be converted back to an array
    // and saved in a JSON file now if needed.

    for (const url of hrefsPagesDeduped) {
      await page.goto(url);

      // Scrape the page.
    }

    await browser.close();
  } catch (err) {
    console.error(err);
  }
})();

推荐阅读