首页 > web前端 > js教程 > 正文

Puppeteer 爬取网页数据返回空数组问题解决方案

花韻仙語
发布: 2025-08-31 15:43:00
原创
515人浏览过

puppeteer 爬取网页数据返回空数组问题解决方案

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:

  1. 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(${i}) > div.nsg__name_meaning > a 非常具体,一旦网站结构发生轻微变化,就会导致选择器失效,从而无法抓取到数据。
  2. 广告元素干扰: 尝试移除广告元素,但移除操作可能并不稳定,或者广告元素的出现方式不固定,导致循环逻辑出错。
  3. 不必要的条件判断: 循环内部的 if (await page.$(...)) 判断可能会导致跳过某些元素,影响数据的完整性。
  4. 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:

怪兽AI数字人
怪兽AI数字人

数字人短视频创作,数字人直播,实时驱动数字人

怪兽AI数字人44
查看详情 怪兽AI数字人
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(/[\n\t]/).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...");
});
登录后复制

代码解释:

  1. Headless 模式: 建议将 headless 设置为 true,在后台运行浏览器,提高效率。
  2. 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。
  3. 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。
  4. 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。
  5. 数据清洗: 使用 name.split(/[\n\t]/).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。

以上就是Puppeteer 爬取网页数据返回空数组问题解决方案的详细内容,更多请关注php中文网其它相关文章!

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习
PHP中文网抖音号
发现有趣的

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号