Puppeteer 爬取网页数据返回空数组问题解决方案

落辰同学_3972

落辰同学_3972

2025-08-31

568人浏览

原创

puppeteer 爬取网页数据返回空数组问题解决方案

本文针对使用 Puppeteer 爬取 naamhinaam.com 网站数据时,出现返回空数组的问题,提供了一套可行的解决方案。通过分析问题代码,找出选择器和循环逻辑上的错误,并提供优化后的代码示例,确保能正确抓取网页上的婴儿名字和含义信息,并避免因广告元素干扰导致的问题。本文还强调了headless模式的运用以及数据清洗的重要性。

问题分析

原始代码尝试通过循环遍历页面上的元素,并根据复杂的 CSS 选择器提取婴儿名字。然而,这种方法存在几个问题:

  1. 不稳定的选择器: 原始代码中使用的 CSS 选择器 div.name-suggestion.mt-1 > div > div:nth-child(${i}) > div.nsg__name_meaning > a 非常具体,一旦网站结构发生轻微变化,就会导致选择器失效,从而无法抓取到数据。
  2. 广告元素干扰: 尝试移除广告元素,但移除操作可能并不稳定,或者广告元素的出现方式不固定,导致循环逻辑出错。
  3. 不必要的条件判断: 循环内部的 if (await page.$(...)) 判断可能会导致跳过某些元素,影响数据的完整性。
  4. 循环索引错误: 循环索引从3开始,跳过了前面两个元素,可能导致数据丢失。

解决方案

为了解决上述问题,我们应该采用更稳定、更灵活的方法来提取数据。以下是优化后的代码示例:

浏览器会话(免费版)
浏览器会话(免费版)

浏览器会话管理免费版,支持一次性页面抓取、基础会话列表与简易调试。

下载
const puppeteer = require("puppeteer");
const express = require("express");
const cors = require("cors");
const app = express();
app.use(cors());
let data = [];
(async () => {
  const browser = await puppeteer.launch({
    headless: true, // 建议使用 headless 模式
    defaultViewport: null,
  });
  const page = await browser.newPage();
  for (let pageNumber = 1; pageNumber  i`);

    // 确保名字和含义的数量一致
    if (nameElements.length !== meaningElements.length) {
      console.warn(`页面 ${pageNumber} 上的名字和含义数量不一致,可能存在问题。`);
      continue; // 跳过当前页面
    }

    for (let i = 0; i  el.textContent, nameElements[i]);
        let meaning = await page.evaluate(el => el.textContent, meaningElements[i]);
        fullName = `${name.split(/[\n\t]/).join('').trim()}, ${meaning}`;
        data.push({ fullName });
      } catch (error) {
        console.error(`处理页面 ${pageNumber} 的第 ${i} 个元素时出错:`, error);
      }
    }
  }
  console.log(data);
  await browser.close();
})();
app.get("/", (req, res) => {
  res.status(200).json(data);
});

app.listen(3000, () => {
  console.log("App is running...");
});

代码解释:

  1. Headless 模式: 建议将 headless 设置为 true,在后台运行浏览器,提高效率。
  2. 更稳定的选择器: 使用 a.nsg__name 和 div.nsg__meaning > i 这样更简洁、更通用的选择器,降低因网站结构变化导致的问题。
  3. 数量一致性检查: 在循环之前,检查名字和含义元素的数量是否一致。如果不一致,说明页面结构可能存在问题,跳过当前页面,避免数据错误。
  4. 错误处理: 在循环内部添加 try...catch 块,捕获可能出现的错误,并记录错误信息,方便调试。
  5. 数据清洗: 使用 name.split(/[\n\t]/).join('').trim() 清除名字中的换行符、制表符和空格,确保数据的干净。

注意事项

  • 网站结构变化: 网页结构随时可能发生变化,因此需要定期检查和更新选择器。
  • 反爬机制: 网站可能存在反爬机制,如验证码、IP 封锁等。需要根据具体情况采取相应的应对措施,如使用代理 IP、设置合理的请求间隔等。
  • 法律法规: 在爬取网站数据时,务必遵守相关法律法规和网站的使用条款,不得进行恶意爬取或侵犯网站权益的行为。

总结

通过使用更稳定的选择器、进行数量一致性检查、添加错误处理机制以及清洗数据,我们可以更可靠地使用 Puppeteer 爬取网页数据。同时,需要注意网站结构变化、反爬机制以及法律法规等问题,确保爬虫的稳定性和合法性。

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
GoFrame框架Web开发与路由中间件
GoFrame框架Web开发与路由中间件

本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。

2026.11.17

0

15

GoFrame框架安装与gf命令行工具
GoFrame框架安装与gf命令行工具

本专题围绕GoFrame框架的安装与工具链配置展开,讲清Go版本要求、gf命令行的安装方式、代理镜像与依赖准备,说明项目初始化、热编译、交叉编译打包的做法,并整理安装阶段的常见报错与验证步骤。

2026.11.17

0

15

GoFrame框架零基础入门
GoFrame框架零基础入门

本专题整理GoFrame框架的入门知识,从模块化设计理念、环境准备到跑通第一个Web服务,讲清目录分层、配置加载、日志与中间件的用法,并对比Gin、Go-Zero的差异,帮助Go开发者建立整体认知。

2026.11.17

0

15

SQLAlchemy 一对多关系怎么建立
SQLAlchemy 一对多关系怎么建立

SQLAlchemy 一对多关系怎么建立?本专题整理父子表外键、relationship 双向映射、关联查询、级联删除和加载优化等相关文章,帮助你理解并实现常见的 ORM 关系建模。

2026.11.17

0

10

SQLAlchemy 如何增删改查
SQLAlchemy 如何增删改查

SQLAlchemy 如何增删改查?本专题整理 ORM 新增记录、条件查询、更新和删除、Session 事务提交与批量处理等实用文章,帮助你掌握 Python 数据库操作流程。

2026.11.17

0

11

SQLAlchemy ORM 模型怎么写
SQLAlchemy ORM 模型怎么写

SQLAlchemy ORM 模型怎么写?本专题整理模型类定义、Mapped 字段映射、主键与约束、表结构创建和常见报错的相关文章,帮助你从基础配置到实际建模逐步掌握 SQLAlchemy。

2026.11.17

0

16

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

2026.11.12

160

15

Go-Zero安装与goctl环境配置教程
Go-Zero安装与goctl环境配置教程

本专题围绕Go-Zero的安装与工具链配置展开,讲清Go版本要求、goctl安装方式、代理镜像、protoc依赖与环境变量设置,说明多版本共存、升级回退与CI流水线安装的做法,并整理安装阶段的常见报错与验证步骤。

2026.11.12

120

15

Go-Zero零基础入门教程
Go-Zero零基础入门教程

本专题整理Go-Zero的入门知识,从框架定位、环境准备到跑通第一个API服务,讲清目录分层、配置加载、日志与中间件的基本用法,并对比Gin、Kratos的差异,帮助Go开发者建立整体认知,判断它是否适合当前项目。

2026.11.12

100

15

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程