javascript - puppeteer 获取 href 数组，然后遍历每个 href 和该页面上的 href

Question

我正在尝试通过 node.js 中的 puppeteer 抓取数据

目前，我正在寻找一个脚本，用于抓取 well.ca 某个部分中的所有数据

现在，这是我试图通过 node.js 实现的方法/逻辑

1 - 前往网站的医学健康部分

2 - 使用 dom 选择器获取 href 数组来自 .panel-body-content通过 dom 选择器 panel-body-content a[href] 抓取小节

3 - 使用 for 循环遍历每个链接(子部分)

4 对于每个小节链接，通过为每个类获取值为 col-lg-5ths col-md-3 col-sm-4 col-xs-6 的 href，为每个产品获取另一个 href 数组。通过.col-lg-5ths col-md-3 col-sm-4 col-xs-6 a[href]

5 - 遍历小节中的每个产品

6 - 抓取每个产品的数据

目前，我已经编写了上面的大部分代码:

const puppeteer = require('puppeteer');
const chromeOptions = {
  headless: false,
  defaultViewport: null,
};
(async function main() {
  const browser = await puppeteer.launch(chromeOptions);
  try {
    const page = await browser.newPage();
    await page.goto("https://well.ca/categories/medicine-health_2.html");
    console.log("::::::: OPEN WELL   ::::::::::");

    // href attribute
    const hrefs1 = await page.evaluate(
      () => Array.from(
        document.querySelectorAll('.panel-body-content a[href]'),
       a => a.getAttribute('href')
     )
   );
    
    console.log(hrefs1);

    const urls = hrefs1

    for (let i = 0; i < urls.length; i++) {
      const url = urls[i];
      await page.goto(url);
    }
      const hrefs2 = await page.evaluate(
     () => Array.from(
      document.querySelectorAll('.col-lg-5ths col-md-3 col-sm-4 col-xs-6 a[href]'),
       a => a.getAttribute('href')
     )
    );

当我尝试为每个产品的每个 href 获取一个数组时，我在数组中什么也没有收到。

我如何添加一个嵌套的 for 循环，以获取每个子部分中每个产品的所有 href 的数组，然后访问每个产品链接？

获取类 .col-lg-5ths col-md-3 col-sm-4 col-xs-6 中所有 href 的正确 dom 选择器是什么？ ID product_grid_link

如果我想添加一个后续循环以通过每个子部分的产品 href 从每个产品中获取信息，我该如何将其嵌入到代码中？

任何帮助将不胜感激

Answer 1

似乎有些链接是重复的，所以最好收集最终页面的所有链接，删除链接列表，然后抓取最终页面。 (您也可以将最终页面的链接保存在文件中以备后用。)此脚本收集了 5395 个链接(去重)。

'use strict';

const puppeteer = require('puppeteer');

(async function main() {
  try {
    const browser = await puppeteer.launch({ headless: false, defaultViewport: null });
    const [page] = await browser.pages();

    await page.goto('https://well.ca/categories/medicine-health_2.html');

    const hrefsCategoriesDeduped = new Set(await page.evaluate(
      () => Array.from(
        document.querySelectorAll('.panel-body-content a[href]'),
        a => a.href
      )
    ));

    const hrefsPages = [];

    for (const url of hrefsCategoriesDeduped) {
      await page.goto(url);
      hrefsPages.push(...await page.evaluate(
        () => Array.from(
          document.querySelectorAll('.col-lg-5ths.col-md-3.col-sm-4.col-xs-6 a[href]'),
          a => a.href
        )
      ));
    }

    const hrefsPagesDeduped = new Set(hrefsPages);

    // hrefsPagesDeduped can be converted back to an array
    // and saved in a JSON file now if needed.

    for (const url of hrefsPagesDeduped) {
      await page.goto(url);

      // Scrape the page.
    }

    await browser.close();
  } catch (err) {
    console.error(err);
  }
})();