javascript - Puppeteer - 如何获取当前页面(应用程序/pdf)作为缓冲区或文件？

Question

使用 Puppeteer ( https://github.com/GoogleChrome/puppeteer )，我有一个application/pdf页面。使用 headless: false 时，页面是通过 Chromium PDF 查看器加载的，但我想使用 headless。如何下载原始 .pdf 文件或将其用作其他库的 blob，例如 (pdf-parse https://www.npmjs.com/package/pdf-parse )？

Answer 1

由于 Puppeteer 目前不支持通过 page.goto() 在 headless 模式下导航到 PDF 文档由于upstream issue ，您可以使用page.setRequestInterception()启用请求拦截，然后就可以监听 'request'事件并在使用请求客户端获取PDF缓冲区之前检测资源是否为PDF。

获取PDF缓冲区后，可以使用request.abort()要中止原始 Puppeteer 请求，或者如果请求不是 PDF，您可以使用 request.continue()正常继续请求。

这是一个完整的工作示例:

'use strict';

const puppeteer = require('puppeteer');
const request_client = require('request-promise-native');

(async () => {
  const browser = await puppeteer.launch();
  const page = await browser.newPage();

  await page.setRequestInterception(true);

  page.on('request', request => {
    if (request.url().endsWith('.pdf')) {
      request_client({
        uri: request.url(),
        encoding: null,
        headers: {
          'Content-type': 'applcation/pdf',
        },
      }).then(response => {
        console.log(response); // PDF Buffer
        request.abort();
      });
    } else {
      request.continue();
    }
  });

  await page.goto('https://example.com/hello-world.pdf').catch(error => {});

  await browser.close();
})();