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：
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(${i}) > div.nsg__name_meaning > a 非常具体，一旦网站结构发生轻微变化，就会导致选择器失效，从而无法抓取到数据。广告元素干扰： 尝试移除广告元素，但移除操作可能并不稳定，或者广告元素的出现方式不固定，导致循环逻辑出错。不必要的条件判断： 循环内部的 if (await page.$(…)) 判断可能会导致跳过某些元素，影响数据的完整性。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：
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 i`); // 确保名字和含义的数量一致 if (nameElements.length !== meaningElements.length) { console.warn(`页面 ${pageNumber} 上的名字和含义数量不一致，可能存在问题。`); continue; // 跳过当前页面 } for (let i = 0; i el.textContent, nameElements[i]); let meaning = await page.evaluate(el => el.textContent, meaningElements[i]); fullName = `${name.split(/[nt]/).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...");});
代码解释：
Headless 模式： 建议将 headless 设置为 true，在后台运行浏览器，提高效率。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。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。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。数据清洗： 使用 name.split(/[nt]/).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，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1518844.html
微信扫一扫 
支付宝扫一扫 
