推荐5个目前好的网页数据采集神器

2020-01-09 18:22:14

在互联网+数据+人工智能时代，仍然有越来越多的网页数据采集需求，且案例众多，网页数据采集在企业中落地的实际应用也在不断地显著增加。实际工作中可能需要为一个旅游网站获取航班时间或Airbnb列表，或者可能需要收集数据，例如来自不同电子商务网站的价格表，以便进行价格比较。很多时候也会出于个人需要，比如为机器学习收集训练和测试数据集等。这就是web网页数据采集发挥作用的地方。

在这里，我们将探讨好的网页数据采集工具。

1. Puppeteer

https://github.com/puppeteer/puppeteer

Puppeteer是Google放出的“终极”大招，它不只是一个网页数据采集工具，实际上是一个Node库，它提供了一个高阶API，类似于Selenium Webdriver的别API，默认是通过DevTools协议控制无界面Chrome，还可以通过配置用于有界面Chrome。

使用Puppeteer，我们可以做以下事情：

# 用来生成网页截图或PDF文件。

# 用来创建全新的自动化测试环境。

# 用来捕捉网页的时间线轨迹以诊断性能问题。

# 抓取一个SPA(单页应用程序)并生成网页渲染之前的内容(服务器端渲染(SSR))。

API像自然语言一样简洁明了，没有callback，几行代码就能搞定我们所需的一切。

2. Cheerio

https://github.com/cheeriojs/cheerio

Cheerio是一个标记解析库，提供了对结果数据（比如服务端接口返回的数据）结构进行解析的API，Cheerio好的一点是它不像web浏览器那样解释结果数据。然而，它既不产生视觉呈现、也不加载外部资源或请求CSS。如果实际项目中需要上面这些能力的话，就需要考虑类似PhantomJS这样的项目。

值得注意的是，用Node.js采集数据在Cheerio中要容易得多。

比如采集http://v.163.com/special/opencourse/englishs1.html：

3.Request - Promise

https://github.com/request/request-promise

Request-Promise是npm库中的一个变体，它通过自动化的浏览器提供了一个更快的解决方案。当内容不是动态呈现时，可以使用此网页数据采集工具。如果要处理的网站有一个认证系统，它可以是一个更先进的解决方案。如果我们把它和Puppeteer相比，它的用法正好相反。

4. Nightmare

https://github.com/segmentio/nightmare

Nightmare是一个的浏览器自动化库，它以浏览器的形式运行Electron程序。Electron （https://electronjs.org/）是一个使用 JavaScript, HTML 和 CSS 等 Web 技术创建原生程序的框架，兼容Mac、Windows和Linux，可以构建出三个平台的桌面应用程序，它负责比较难搞的部分，我们只需把精力放在应用的核心上即可【Electron刚刚加入了 OpenJS 基金会】。Nightmare是一个浓缩的版本，或者我们可以说，是一个简化版的Puppeteer。它有提供更多灵活性的插件，包括对文件下载的支持。

Nightmare的目标是对外公开几个使用起来像是同步的方法调用，比如goto、type和click，而不是深度嵌套的回调。初是为在没有api的站点之间自动化执行任务而设计的，但常用于UI测试和数据采集。