利用Puppeteer-Har记录与分析网页抓取中的性能数据

news2024/9/28 17:26:27

引言

在现代网页抓取中，性能数据的记录与分析是优化抓取效率和质量的重要环节。本文将介绍如何利用Puppeteer-Har工具记录与分析网页抓取中的性能数据，并通过实例展示如何实现这一过程。

Puppeteer-Har简介

Puppeteer是一个Node.js库，提供了一个高级API来控制Chrome或Chromium浏览器。Har（HTTP Archive）文件格式用于记录网页加载过程中的所有HTTP请求和响应。Puppeteer-Har结合了这两者的优势，使得开发者可以轻松地记录和分析网页抓取中的性能数据。

环境准备

在开始之前，请确保已安装Node.js和npm。然后，安装Puppeteer和puppeteer-har：

npm install puppeteer puppeteer-har

使用代理IP技术

为了避免IP封禁，我们将使用代理IP技术。以下代码示例中使用了爬虫代理的域名、端口、用户名和密码。

实例代码

以下是一个完整的代码示例，展示了如何使用Puppeteer-Har记录和分析今日头条（https://www.toutiao.com）的性能数据，并进行数据归类和存储。

const puppeteer = require('puppeteer');
const { PuppeteerHar } = require('puppeteer-har');

(async () => {
  // 启动浏览器并设置代理 亿牛云爬虫代理www.16yun.cn
  const browser = await puppeteer.launch({
    args: [
      '--proxy-server=http://代理域名:代理端口'
    ]
  });
  const page = await browser.newPage();

  // 设置代理认证
  await page.authenticate({
    username: '代理用户名',
    password: '代理密码'
  });

  // 创建HAR记录器
  const har = new PuppeteerHar(page);

  // 开始记录HAR文件
  await har.start({ path: 'results.har' });

  // 导航到目标页面
  await page.goto('https://www.toutiao.com');

  // 等待页面加载完成
  await page.waitForTimeout(5000);

  // 停止记录HAR文件
  await har.stop();

  // 关闭浏览器
  await browser.close();

  console.log('HAR文件已生成');
})();

数据分析与存储

生成的HAR文件包含了所有HTTP请求和响应的数据。我们可以使用各种工具（如Chrome DevTools或在线HAR查看器）来分析这些数据。以下是一个简单的示例，展示如何解析HAR文件并提取新闻要点和评论。

const fs = require('fs');

// 读取HAR文件
const harData = JSON.parse(fs.readFileSync('results.har', 'utf8'));

// 提取新闻要点和评论
const entries = harData.log.entries;
const newsData = entries.filter(entry => entry.request.url.includes('toutiao.com'));

newsData.forEach(entry => {
  console.log(`URL: ${entry.request.url}`);
  console.log(`Status: ${entry.response.status}`);
  console.log(`Response Time: ${entry.time}ms`);
  console.log('--------------------------------');
});

// 将数据存储到文件
fs.writeFileSync('newsData.json', JSON.stringify(newsData, null, 2), 'utf8');
console.log('新闻数据已存储到newsData.json');