基於puppeteer模擬登錄抓取頁面

關於熱圖

在網站分析行業中，網站熱圖能夠很好的反應用戶在網站的操作行為，具體分析用戶的喜好，對網站進行針對性的優化，一個熱圖的例子（來源於ptengine）

上圖中能很清晰的看到用戶關注點在那，我們不關注產品中熱圖的功能如何，本篇文章就熱圖的實現做一下簡單的分析和總結。

熱圖主流的實現方式

一般實現熱圖顯示需要經過如下階段：

1. 獲取網站頁面
2. 獲取經過處理后的用戶數據
3. 繪制熱圖
   本篇主要聚焦於階段1來詳細的介紹一下主流的在熱圖中獲取網站頁面的實現方式
4. 使用iframe直接嵌入用戶網站
5. 抓取用戶頁面保存到本地，通過iframe嵌入本地資源（所謂本地資源這里認為是分析工具這一端）

兩種方式各有各的優缺點，首先第一種直接嵌入用戶網站，這個有一定的限制條件，比如如果用戶網站為了防止iframe劫持，不允許iframe嵌套（設置meta X-FRAME-OPTIONS 為sameorgin 或者直接設置http header ，甚至直接通過js來控制

if(window.top !== window.self){ window.top.location = window.location;}  

），這種情況下就需要客戶網站做一部分工作才可以被分析工具的iframe加載，使用起來不一定那么方便，因為並不是所有的需要檢測分析的網站用戶都可以管理網站的。

第二種方式，直接抓取網站頁面到本地服務器，然后瀏覽的是本機服務器上抓取的頁面，這種情況下頁面已經過來了，我們就可以為所欲為了，首先我們繞過了X-FRAME-OPTIONS 為sameorgin的問題，只需要解決js控制的問題，對於抓取的頁面來說，我們可以通過特殊的對應來處理（比如移除對應的js控制，或者添加我們自己的js）；但是這種方式也有很多的不足：1、無法抓取spa頁面，無法抓取需要用戶登錄授權的頁面，無法抓取用戶設置了白明白的頁面等等。

兩種方式都存在https 和 http資源由於同源策略引起的另一個問題，https站無法加載http資源，所以如果為了最好的兼容性，熱圖分析工具需要被應用http協議，當然具體可以根據訪問的客戶網站而具體分站優化。

抓取網站頁面如何優化

這里我們針對抓取網站頁面遇到的問題基於puppeteer做一些優化，提高抓取成功的概率，主要優化以下兩種頁面：

1. spa頁面
   spa頁面在當前頁算是主流了，但是它總所周知的是其對搜索引擎的不友好；通常的頁面抓取程序其實就是一個簡單的爬蟲，其過程通常都是發起一個http get 請求到用戶網站（應該是用戶網站服務器）。這種抓取方式本身就會有問題問題，首先，直接請求的是用戶服務器，用戶服務器對非瀏覽器的agent 應該會有很多限制，需要繞過處理；其次，請求返回的是原始內容，需要在瀏覽器中通過js渲染的部分無法獲取（當然，在iframe嵌入后，js執行還是會再一定程度上彌補這個問題），最后如果頁面是spa頁面，那么此時獲取的只是模板，在熱圖中顯示效果非常不友好。
   針對這種情況，如果基於puppeteer來做，流程就變成了
   puppeteer啟動瀏覽器打開用戶網站-->頁面渲染-->返回渲染后結果，簡單的用偽代碼實現如下：

const puppeteer = require('puppeteer');

async getHtml = (url) =>{
    const browser = await puppeteer.launch();
    const page = await browser.newPage();
    await page.goto(url);
    return await page.content();
}

這樣我們拿到的內容就是渲染后的內容，無論頁面的渲染方式如何（客戶端渲染抑或服務端）

需要登錄的頁面

對於需要登錄頁面其實分為多種情況：

• 需要登錄才可以查看頁面，如果沒有登錄，則跳轉到login頁面（各種管理系統）
  對於這種類型的頁面我們需要做的就是模擬登錄，所謂模擬登錄就是讓瀏覽器去登錄，這里需要用戶提供對應網站的用戶名和密碼，然后我們走如下的流程：
  訪問用戶網站-->用戶網站檢測到未登錄跳轉到login-->puppeteer控制瀏覽器自動登錄后跳轉到真正需要抓取的頁面，可用如下偽代碼來說明：

const puppeteer = require("puppeteer");
async autoLogin =(url)=>{
     const browser = await puppeteer.launch();
     const page =await browser.newPage();
     await page.goto(url);
     await page.waitForNavigation();

     //登錄
     await page.type('#username',"用戶提供的用戶名");
     await page.type('#password','用戶提供的密碼');

     await page.click('#btn_login');

    //頁面登錄成功后，需要保證redirect 跳轉到請求的頁面
     await page.waitForNavigation();

     return await page.content();
}

• 登錄與否都可以查看頁面，只是登錄后看到內容會所有不同 （各種電商或者portal頁面）

這種情況處理會比較簡單一些，可以簡單的認為是如下步驟：

通過puppeteer啟動瀏覽器打開請求頁面-->點擊登錄按鈕-->輸入用戶名和密碼登錄 -->重新加載頁面

基本代碼如下圖：

const puppeteer = require("puppeteer");
async autoLoginV2 =(url)=>{
     const browser = await puppeteer.launch();
     const page =await browser.newPage();
     await page.goto(url);

     await page.click('#btn_show_login');

     //登錄
     await page.type('#username',"用戶提供的用戶名");
     await page.type('#password','用戶提供的密碼');

     await page.click('#btn_login');

    //頁面登錄成功后，是否需要reload 根據實際情況來確定
     await page.reload();

     return await page.content();
}

總結

明天總結吧，今天下班了。
補充（還昨天的債）：基於puppeteer雖然可以很友好的抓取頁面內容，但是也存在這很多的局限

1. 抓取的內容為渲染后的原始html，即資源路徑（css、image、javascript）等都是相對路徑，保存到本地后無法正常顯示，需要特殊處理（js不需要特殊處理，甚至可以移除，因為渲染的結構已經完成）
2. 通過puppeteer抓取頁面性能會比直接http get 性能會差一些，因為多了渲染的過程
3. 同樣無法保證頁面的完整性，只是很大的提高了完整的概率，雖然通過page對象提供的各種wait 方法能夠解決這個問題，但是網站不同，處理方式就會不同，無法復用。