本文针对使用 Puppeteer 爬取 naamhinaam.com 网站数据时,出现返回空数组的问题,提供了一套可行的解决方案。通过分析问题代码,找出选择器和循环逻辑上的错误,并提供优化后的代码示例,确保能正确抓取网页上的婴儿名字和含义信息,并避免因广告元素干扰导致的问题。本文还强调了headless模式的运用以及数据清洗的重要性。
问题分析
原始代码尝试通过循环遍历页面上的元素,并根据复杂的 css 选择器提取婴儿名字。然而,这种方法存在几个问题:
- 不稳定的选择器: 原始代码中使用的 CSS 选择器 div.name-suggestion.mt-1 > div > div:nth-child(${i}) > div.nsg__name_meaning > a 非常具体,一旦网站结构发生轻微变化,就会导致选择器失效,从而无法抓取到数据。
- 广告元素干扰: 尝试移除广告元素,但移除操作可能并不稳定,或者广告元素的出现方式不固定,导致循环逻辑出错。
- 不必要的条件判断: 循环内部的 if (await page.$(…)) 判断可能会导致跳过某些元素,影响数据的完整性。
- 循环索引错误: 循环索引从3开始,跳过了前面两个元素,可能导致数据丢失。
解决方案
为了解决上述问题,我们应该采用更稳定、更灵活的方法来提取数据。以下是优化后的代码示例:
const puppeteer = require("puppeteer"); const express = require("express"); const cors = require("cors"); const app = express(); app.use(cors()); let data = []; (async () => { const browser = await puppeteer.launch({ headless: true, // 建议使用 headless 模式 defaultViewport: null, }); const page = await browser.newPage(); for (let pageNumber = 1; pageNumber <= 42; pageNumber++) { await page.goto(`https://naamhinaam.com/baby-girl-names-a?page=${pageNumber}`); await page.waitForTimeout(3000); // 使用更简洁、稳定的选择器 let nameElements = await page.$$(`a.nsg__name`); let meaningElements = await page.$$(`div.nsg__meaning > i`); // 确保名字和含义的数量一致 if (nameElements.length !== meaningElements.length) { console.warn(`页面 ${pageNumber} 上的名字和含义数量不一致,可能存在问题。`); continue; // 跳过当前页面 } for (let i = 0; i < nameElements.length; i++) { let fullName = ""; try { let name = await page.evaluate(el => el.textContent, nameElements[i]); let meaning = await page.evaluate(el => el.textContent, meaningElements[i]); fullName = `${name.split(/[nt]/).join('').trim()}, ${meaning}`; data.push({ fullName }); } catch (error) { console.error(`处理页面 ${pageNumber} 的第 ${i} 个元素时出错:`, error); } } } console.log(data); await browser.close(); })(); app.get("/", (req, res) => { res.status(200).JSon(data); }); app.listen(3000, () => { console.log("App is running..."); });
代码解释:
- Headless 模式: 建议将 headless 设置为 true,在后台运行浏览器,提高效率。
- 更稳定的选择器: 使用 a.nsg__name 和 div.nsg__meaning > i 这样更简洁、更通用的选择器,降低因网站结构变化导致的问题。
- 数量一致性检查: 在循环之前,检查名字和含义元素的数量是否一致。如果不一致,说明页面结构可能存在问题,跳过当前页面,避免数据错误。
- 错误处理: 在循环内部添加 try…catch 块,捕获可能出现的错误,并记录错误信息,方便调试。
- 数据清洗: 使用 name.split(/[nt]/).join(”).trim() 清除名字中的换行符、制表符和空格,确保数据的干净。
注意事项
- 网站结构变化: 网页结构随时可能发生变化,因此需要定期检查和更新选择器。
- 反爬机制: 网站可能存在反爬机制,如验证码、IP 封锁等。需要根据具体情况采取相应的应对措施,如使用代理 IP、设置合理的请求间隔等。
- 法律法规: 在爬取网站数据时,务必遵守相关法律法规和网站的使用条款,不得进行恶意爬取或侵犯网站权益的行为。
总结
通过使用更稳定的选择器、进行数量一致性检查、添加错误处理机制以及清洗数据,我们可以更可靠地使用 Puppeteer 爬取网页数据。同时,需要注意网站结构变化、反爬机制以及法律法规等问题,确保爬虫的稳定性和合法性。
评论(已关闭)
评论已关闭