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 <= 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...");
});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(/[\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。
