PHP使用puppeteer抓取JS渲染后的页面内容

最近遇到一个问题,需要爬取js渲染后的网页内容,因此研究了下相关实现方式,主要借助puppeteer实现,它是一个Node库,要想在PHP中使用,还借助了spatie/browsershot

环境依赖

环境要求Node>=7.6.0PHP>=7.1PHP extensionphp_sockets, php_exif

puppeteer

Puppeteer是一个Node库，我是直接在php项目下使用npm安装这个库，然后借助spatie/browsershot来调用它。读者也可以新建一个node项目安装这个库，然后对外暴漏一个端口通过接口的方式传递url返回html内容的方式实现。

npm i puppeteer --save

离线安装Chromium

安装puppeteer时会下载Chromium，因为众所周知的原因可能会下载不下来，因此下面提供了离线下载的方式。

跳过安装chromium

如果已经运行上一步的命令并且正在下载Chromium了，那可以直接Ctrl+C停止任务。如果还没运行，就使用下面的命令安装。

npm i puppeteer --ignore-scripts

获取需要下载的chromium版本号

打开/node_modules/puppeteer/package.json搜索chromium_revision对应的版本号

"puppeteer": {    "chromium_revision": "756035",    "firefox_revision": "latest"}

下载对应版本的chromium

用上面的版本号替换掉下方花括号里的字符，比如我本地是win x64，下载地址就是https://commondatastorage.googleapis.com/chromium-browser-snapshots/Win_x64/756035/chrome-win.zip

mac版下载地址:https://commondatastorage.googleapis.com/chromium-browser-snapshots/Mac/{chromium版本}/chrome-mac.zipwindows 64位版本下载地址:https://commondatastorage.googleapis.com/chromium-browser-snapshots/Win_x64/{chromium版本}/chrome-win.zipwindows 32位版本下载地址:https://commondatastorage.googleapis.com/chromium-browser-snapshots/Win/{chromium版本}/chrome-win.zipLinux X86版本下载地址:https://commondatastorage.googleapis.com/chromium-browser-snapshots/Linux/{chromium版本}/chrome-linux.zipLinux X64版本下载地址:https://commondatastorage.googleapis.com/chromium-browser-snapshots/Linux_x64/{chromium版本}/chrome-linux.zip

解压

将下载下来的chromium安装包解压到puppeteer中的.local_chromium/win64-{chromium版本号}/目录下。以我的为例就是/node_modules/puppeteer/.local_chromium/win64-756035/chrome-win/。搞定~

spatie/browsershot

browsershot 是一个composer包，以前还用过的spatie/laravel-permission，都是同一团队制作的

composer require spatie/browsershot

使用

其实困难的部分就是找到合适的工具以及安装工具，真正使用反而很简单。下面列了一个很简单的例子，更多方法还是去看官方文档吧。

<?phpuse Spatie\Browsershot\Browsershot;class Spider{    /**     * 获取html内容     * @param $url     * @return string     */    public static function getBodyHtml($url)    {        return Browsershot::url($url)->bodyHtml();    }}