Puppeteer 快速实现一个自动化机器人🤖
前言
Puppeteer 是 Node.js 的一个函数库，可用来操控浏览器，是 Google 的项目，可以应用的范围包括：前端的自动化测试、爬虫、表单提交等。
Selenium vs Puppeteer
之前有过用 Python 配合 Selenium 的经验，不过如果是做爬虫、自动化操作用 Puppeteer 还是非常方便的，安装简单快速，API 也容易使用。美中不足的是它只支持 Chromium 以下是两者的比较，仅供参考：
| Puppeteer | Selenium | |
|---|---|---|
| 支持浏览器 | Chromium | 多种浏览器 |
| 支持语言 | Node.js | 多种语言 |
| 安装 | 方便快速 | 稍微麻烦 |
| 使用 | 易上手 | 较难上手 |
安装
由于 Puppeteer 是用 Node.js 写的，所以必须要先安装 Node。
- 可以至官网 下载
- 如果用 mac 可以使用
https://nodejs.org/en/
安装完后可以在 terminal 输入 node -v 检查是否安装成功
然后到要开发的项目路径下输入 npm init -y 初始化项目，接着 npm i puppeteer，安装的时候会发现它会连同 Chromium 一同安装。
一个简单的例子
新增一个文件 main.js，并复制以下代码
const puppeteer = require('puppeteer');
接着到终端下输入 `node main.js` 执行。
(async () => {
// 开启 browser
const browser = await puppeteer.launch({
headless: false
});
// 新增分页
const page = await browser.newPage();
// 到自己的博客网站
await page.goto(`https://juejin.cn/user/2576910986784957`);
// 等待订阅按钮出现
await page.waitForSelector("button[class='setting-btn btn']");
// 点击订阅按钮
await page.click("button[class='setting-btn btn']");
})();
接着到终端下输入 node main.js 执行。
解释代码
前面的代码先引入 Puppeteer，以便后续使用，接下来可以看到用 async 以及 () =>，async 表示函数要用到异步操作，() => 则是 JS 的箭头函数。
const puppeteer = require('puppeteer');
接下来是用 Puppeteer 打开一个浏览器 ( Chromium )，其中可以看到我们设了参数 headless : false，如果是设定为 true，会开启没有界面的无头浏览器，如果设定 false，就会开一个浏览器窗口。
const browser = await puppeteer.launch({
headless: false
});
在浏览器开一个新的分页。
const page = await browser.newPage();
导向后方指定的网址。
await page.goto(`https://juejin.cn/user/2576910986784957`);
最后这段代码用到了 click 这个方法，它能够帮你点击后面指定的元素，可以看到我是指定 class = setting-btn btn 的 <button>。
waitForSelector 的作用是，在执行时整个操作速度会很快，有时可能这个元素都很没出现，就让它去点击，有可能会找不到。所以先让它等待指定元素出现后，再去点击。
await page.waitForSelector("button[class='setting-btn btn']");
await page.click("button[class='setting-btn btn']");
把项目容器化
首先下载 Docker，这里就不再赘述。接下来在项目目录下创建 Dockerfile，把下面的脚本代码复制粘贴。
然后构建镜像：docker build -t puppeteer-bot .。
构建完成后就执行 docker run -d --name puppeteer-bot-timeline puppeteer-bot:latest。
之后可以通过 docker logs puppeteer-bot-timeline 查看 console.log 的内容 ( 如果有的话 )。
要记得 headless 要设定为 true 才能运行。
FROM node:11-slim
# 下载 chromium 在 docker 运行时所需组件
RUN apt-get update && apt-get install -yq libgconf-2-4
RUN apt-get update && apt-get install -y wget --no-install-recommends \
&& wget -q -O - https://dl-ssl.google.com/linux/linux_signing_key.pub | apt-key add - \
&& sh -c 'echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google.list' \
&& apt-get update \
&& apt-get install -y google-chrome-unstable \
--no-install-recommends \
&& rm -rf /var/lib/apt/lists/* \
&& apt-get purge --auto-remove -y curl \
&& rm -rf /src/*.deb
ADD https://github.com/Yelp/dumb-init/releases/download/v1.2.0/dumb-init_1.2.0_amd64 /usr/local/bin/dumb-init
RUN chmod +x /usr/local/bin/dumb-init
USER root
ENV TZ=Asia/Shanghai # 转换时区，非必要
RUN ln -snf /usr/share/zoneinfo/$TZ /etc/localtime && echo $TZ > /etc/timezone
COPY . /app/
WORKDIR app
RUN npm install
EXPOSE 8084
ENTRYPOINT ["dumb-init", "--"]
CMD ["node", "main.js"]
容器打包时的一些坑
接下来是我在用 Docke 打包过程遇到的一些问题：
1. Puppeteer 安装 Chromium 时会缺少一些组件
本来用 docker 封装是很容易的，安装 node 然后 npm install 就行了，但是在实际操作时一直报错说 Chromium 缺少组件。后来去 Puppeteer 的 issue 上查到原来安装 Puppeteer 时会自动安装 Chromium，但要在 Docker 上运行的相关组件并不会自动下载。
2. 页面焦点问题
在开发时我是通过开启一个浏览器，然后持续开三个分页来进行操作，希望能加快处理的速度。但是发现当 headless:false 时，会同时开启三个分页，但只有被设置为焦点的当前页面在执行后面的脚本，另外两页并没有。因为在开发过程中执行时 tab 页会被关闭，所以接下来第二个 tab 中的页面获得焦点后会再开始运行。
在 issue 中也看到有人遇到了同样的问题，只有在 headless:true 的时候会同时处理，但目前还没找到其他解法。
3. Page Crash 问题
上面有提到我在一个浏览器上操作三个分页，放在 docker 中运行，总是遇到 Page Crash 问题，第一反应是可能内存不足，在 issue 上查到原来在打开浏览器时要加上 --disable-dev-shm-usage。
原文是这样说的：
By default, Docker runs a container with a /dev/shm shared memory space 64MB. This is typically too small for Chrome and will cause Chrome to crash when rendering large pages. To fix, run the container with docker run --shm-size=1gb to increase the size of /dev/shm. Since Chrome 65, this is no longer necessary. Instead, launch the browser with the --disable-dev-shm-usage flag: const browser = await puppeteer.launch({ args: ['--disable-dev-shm-usage'] });
4. 时区问题
这个问题与 Puppeteer 无关，有的服务器时区默认是 GMT，这时就要在 Dockerfile 指定容器的时区，不然代码中涉及到时间的操作时会被自动加 8 小时。