如何使用Puppeteer和JSDOM下载HTML,CSS和IMG

时间:2019-02-03 21:04:07

标签: node.js puppeteer jsdom

我正在尝试使用Puppeteer下载任何给定的网页。 我想将HTML文件,CSS源和所有图像下载到本地文件夹(这样一来,以后就可以阅读页面,而无需连接到互联网)。

问题是:

  • 1-我没有找到如何解析HTML文件以检测CSS和图像的方法 来源以及如何下载。
  • 2-我没有弄清楚如何更改这些资产路径并确保 它会指向我的本地文件夹。

到目前为止,我不确定解析“ html” const内容的最佳方法是什么(请参见下文)。我还没有想出如何使用JSDOM编辑html。

    const puppeteer = require('puppeteer');
    const jsdom = require('jsdom');

    const { JSDOM } = jsdom;


    (async () => {
      const url = 'https://stackoverflow.com/questions/54507560/how-to-download-html-css-and-imgs-using-puppeteer';
      const browser = await puppeteer.launch();
      const page = await browser.newPage();
      await page.goto(url, {waitUntil: 'load'});
      const html = await page.content();

      const dom = new JSDOM(html);

      // I'm trying to grab all the img and so to be able to edit the path
      console.log(dom.window.document.querySelectorAll("img"));


      // ^ this is not working it return the following object in my node shell : 
      // NodeList { '0': HTMLImageElement {}, '1': HTMLImageElement {} } 
      // I don't know how to process this object and to grab each image path and then to dl it. I don't know how to edit each path to make it relative to my local folder.

      browser.close();
    })();

更新:我现在正尝试使用JSDOM解析HTML。

2 个答案:

答案 0 :(得分:0)

更改活动页面中的所有<img src>标签

要更改文档中的所有img标签,您需要在浏览器中运行page.evaluate()并在其中使用document.querySelectorAll()。这是一个快速工作的代码段,可从文档中的每个图像源中删除域:

(async () => {
  const browser = await puppeteer.launch();

  const url = 'https://stackoverflow.com/questions/54507560/how-to-download-html-css-and-imgs-using-puppeteer';
  const page = await browser.newPage();

  await page.goto(url, {waitUntil: 'load'});

  await page.evaluate(() => {
    var imgs = document.querySelectorAll('img');
    imgs.forEach(function(img){
      let imageSrc = img.getAttribute("src");
      img.setAttribute("src", imageSrc.replace(/^(?:https?:\/\/)?(?:[^@\n]+@)?(?:www\.)?([^:\/\n?]+)/img, ""));
      console.log(img.getAttribute("src"));
    });
  });  
})();

更改每个图像资源的URL

这有点复杂。简而言之,您需要拦截浏览器发出的每个请求,并使用修改后的URL continue()进行拦截。

同样,一个有效的代码段将每个图像资源URL替换为我们选择的域:

var newDomain = "https://example.com";

(async () => {
  const browser = await puppeteer.launch({headless: false});

  const url = 'https://stackoverflow.com/questions/54507560/how-to-download-html-css-and-imgs-using-puppeteer';
  const page = await browser.newPage();
  await page.setRequestInterception(true);

  page.on('request', (interceptedRequest) => {
    // Continue if request URL is page URL
    if (interceptedRequest.url() == page.url()) {
      interceptedRequest.continue();
      return;
    }

    // Intercept if request resource is an Image
    if (interceptedRequest.resourceType() == "image") {
      // Replace target domain with the new domain we want
      let newUrl = interceptedRequest.url().replace(/^(?:https?:\/\/)?(?:[^@\n]+@)?(?:www\.)?([^:\/\n?]+)/img, newDomain);
      console.log(newUrl);
      interceptedRequest.continue({
        url: newUrl,
      });
      return;
    }

    // Continue any other requests
    interceptedRequest.continue();
  })

  await page.goto(url, {waitUntil: 'load'});

})();

答案 1 :(得分:0)

在这里。 这是我发现的内置解决方案: https://github.com/website-scraper/website-scraper-puppeteer 因此,这是在存储库上编写的代码。 看起来真的很好!

const scrape = require('website-scraper');
const PuppeteerPlugin = require('website-scraper-puppeteer');

scrape({
    urls: ['https://www.instagram.com/gopro/'],
    directory: '/path/to/save',
    plugins: [ new PuppeteerPlugin() ]
});