前端使用puppeteer 爬虫生成《React.js 小书》PDF并合并
写于2018年08月29日，之前排版比较乱，影响阅读。所以重新打算重新排版发布下。虽然puppetter已经更新很多版本了，但这篇文章不算过时。文章比较短，很快能看完。
本文仓库地址：
https://github.com/lxchuan12/learn-nodejs/tree/master/src/puppeteer
1、puppeteer 是什么？
puppeteer: Google 官方出品的 headless Chrome node 库
`puppeteer` `github`仓库[1]
`puppeteer` `API`[2]
官方介绍：
您可以在浏览器中手动执行的大多数操作都可以使用
Puppeteer完成！生成页面的屏幕截图和
抓取SPA并生成预渲染内容（即“SSR”）。
自动化表单提交，UI测试，键盘输入等。
创建最新的自动化测试环境。使用最新的JavaScript和浏览器功能直接在最新版本的Chrome中运行测试。
捕获时间线跟踪 您的网站，以帮助诊断性能问题。
测试Chrome扩展程序。
2、爬取网站生成PDF
2.1 安装 puppeteer
# 安装 puppeteer
# 可能会因为网络原因安装失败，可使用淘宝镜像
# npm install -g cnpm --registry=https://registry.npm.taobao.org
npm i puppeteer
# or "yarn add puppeteer"
2.2 《React.js小书》简介
《React.js小书》[3]简介
关于作者@胡子大哈[4]
这是⼀本关于 React.js 的⼩书。因为⼯作中⼀直在使⽤React.js，也⼀直以来想总结⼀下⾃⼰关于React.js的⼀些 知识、经验。于是把⼀些想法慢慢整理书写下来，做成⼀本开源、免费、专业、简单的⼊⻔级别的⼩书，提供给社区。希望能够帮助到更多React.js刚⼊⻔朋友。
下图是《React.js小书》部分截图：
React.js 小书》部分截图2.3 一些可能会用到的 puppeteer API
// 新建 reactMiniBook.js, 运行 node reactMiniBook.js 生成pdf
const puppeteer = require('puppeteer');
(async () => {
// 启动浏览器
const browser = await puppeteer.launch({
// 无界面 默认为true,改成false,则可以看到浏览器操作，目前生成pdf只支持无界面的操作。
// headless: false,
// 开启开发者调试模式，默认false, 也就是平时F12打开的面版
// devtools: true,
});
// 打开一个标签页
const page = await browser.newPage();
// 跳转到页面 http://huziketang.mangojuice.top/books/react/
await page.goto('http://huziketang.com/books/react/', {waitUntil: 'networkidle2'});
// path 路径， format 生成pdf页面格式
await page.pdf({path: 'react.pdf', format: 'A4'});
// 关闭浏览器
await browser.close();
})();
知道这启动浏览器打开页面关闭浏览器主流程后，再来看几个API。
const args = 1;
let wh = await page.evaluate((args) => {
// args 可以这样传递给这个函数。
// 类似于 setTimeout(() => {console.log(args);}, 3000, args);
console.log('args', args); // 1
// 这里可以运行 dom操作等js
// 返回通过dom操作等获取到的数据
return {
width: 1920,
height: document.body.clientHeight,
};
}, args);
// 设置视图大小
await page.setViewport(wh);
// 等待2s
await page.waitFor(2000);
// 以iPhone X执行。
const devices = require('puppeteer/DeviceDescriptors');
const iPhone = devices['iPhone X'];
await page.emulate(iPhone);
2.4 知道了以上这些API后，就可以开始写主程序了。
简单说下：实现功能和主流程。从上面React.js小书截图来看。
1、打开浏览器，进入目录页，生成0. React 小书 目录.pdf
2、跳转到1. React.js 简介页面，获取左侧所有的导航a链接的href，标题。
3、用获取到的a链接数组进行for循环，这个循环里主要做了如下几件事：
3.1 隐藏左侧导航，便于生成
3.2 给**React.js简介**等标题 加上序号，便于查看
3.3 设置docment.title加上序号, 便于在页眉中使用。
3.4 隐藏 传播一下知识也是一个很好的选择 这一个模块（因为页眉页脚中设置了书的链接等信息，就隐藏这个了）
3.5 给 分页 上一节，下一节加上序号，便于查看。
3.6 最末尾声明下该
3.7 返回宽高，用于设置视图大小
3.8 设置视图大小，创建生成
4、关闭浏览器
具体代码：可以查看这里爬虫生成《React.js小书》的`pdf`每一小节的代码[5]
// node 执行这个文件
// 笔者这里是：
node src/puppeteer/reactMiniBook.js
即可生成如下图：每一小节（0-46小节）的pdf
pdf生成这些后，那么问题来了，就是查看时总不能看一小节，打开一小节来看，这样很不方便。
于是接下来就是合并这些pdf成为一个pdf文件。
3、合并成一个PDF文件 pdf-merge
起初，我是使用在线网站Smallpdf[6]，合并PDF。合并的效果还是很不错的。这网站还是其他功能。比如word转pdf等。
后来找到社区提供的一个npm packagepdf merge[7]。(毕竟笔者是写程序的，所以就用代码来实现合并了)
这个pdf-merge依赖 pdftk[8]
安装 PDFtk
Windows
下载并安装[9]
笔者安装后，重启电脑才能使用。
Debian, Ubuntu 安装
笔者在Ubuntu系统安装后，即可使用。apt-get install pdftk
使用例子
const PDFMerge = require('pdf-merge');
const files = [
`${__dirname}/1.pdf`,
`${__dirname}/2.pdf`,
];
// Buffer (Default)
PDFMerge(files)
.then((buffer) => {...});
// Stream
PDFMerge(files, {output: 'Stream'})
.then((stream) => {...});
// 笔者这里使用的是这个
// Save as new file
PDFMerge(files, {output: `${__dirname}/3.pdf`})
.then((buffer) => {...});
知道这些后，可以开始写主程序了。
简单说下主流程
1、读取到生成的所有pdf文件路径，并排序（0-46）
2、判断下输出文件夹是否存在，不存在则创建
3、合并这些小节的pdf保存到新文件 React小书（完整版）-作者：胡子大哈-时间戳.pdf
具体代码：可以查看这里爬虫生成《React.js小书》的`pdf`合并`pdf`的代码[10]
最终合并的pdf文件在这里React小书（完整版）-作者：胡子大哈[11]，可供下载。也可以在公众号内回复 pdf 获取。
本想着还可以加下书签和页码，没找到合适的生成方案，那暂时先不加了。如果读者有好的方案，欢迎与笔者交流。
小结
1、puppeteer是Google 官方出品的 headless Chrome node库，可以在浏览器中手动执行的大多数操作都可以使用Puppeteer完成。总之可以用来做很多有趣的事情。
2、用 puppeteer 生成每一小节的pdf，用依赖pdftk的pdf-merge npm包, 合并成一个新的pdf文件。或者使用Smallpdf[12]等网站合并。
3、《`React.js`小书》[13]，推荐给大家。爬虫生成pdf，应该不会对作者@胡子大哈[14]有什么影响。作者写书服务社区不易，尽可能多支持作者。
4、最终合并的pdf文件可供下载。公众号内回复pdf可以获取到。
最后推荐几个链接，方便大家学习 puppeteer。
puppeteer入门教程[15]
Puppeteer 初探之前端自动化测试[16]
爬虫生成ES6标准入门 pdf[17]
大前端神器安利之 Puppeteer[18]
puppeteer API中文文档[19]
参考资料
puppeteer github仓库: https://github.com/GoogleChrome/puppeteer
puppeteer API: https://pptr.dev/
《React.js小书》: http://huziketang.mangojuice.top/books/react/
关于作者@胡子大哈: http://huziketang.mangojuice.top/books/react/me/
[5]更多可以点击 阅读原文 查看
最近组建了一个湖南人的前端交流群，如果你是湖南人可以加我微信 ruochuan12 拉你进群。
················· 若川简介 ·················
你好，我是若川，毕业于江西高校。现在是一名前端开发“工程师”。写有《学习源码整体架构系列》多篇，在知乎、掘金收获超百万阅读。
从2014年起，每年都会写一篇年度总结，已经写了7篇，点击查看年度总结。
同时，活跃在知乎@若川，掘金@若川。致力于分享前端开发经验，愿景：帮助5年内前端人走向前列。
Send to Author