Проблемы с переходом по разным ссылкам с помощью puppeteer

Проблема:

Execution context was destroyed, most likely because of a navigation.

В ошибке говорится, что вы хотели щелкнуть какую-то ссылку или сделать что-то на какой-то странице, которой больше не существует, скорее всего, из-за того, что вы ушли.

Логика:

Думайте о сценарии кукловода как о реальном человеке, просматривающем настоящую страницу.

Сначала мы загружаем URL-адрес (https://stackoverflow.com/questions/tagged/веб-скрейпинг).

Далее мы хотим просмотреть все вопросы, заданные на этой странице. Чтобы сделать это, что мы обычно делаем? Мы бы сделали одно из следующего,

• Откройте одну ссылку в новая вкладка. Сосредоточьтесь на этой новой вкладке, завершите нашу работу и вернитесь к исходной вкладке. Продолжить следующую ссылку.
• Щелкаем по ссылке, делаем свое дело, вернуться на предыдущую страницу, продолжаем дальше.

Таким образом, оба они включают в себя уход от текущей страницы и возврат к ней.

Если вы не будете следовать этому потоку, вы получите сообщение об ошибке, как указано выше.

Решение

Есть по крайней мере 4 или более способов решить эту проблему. Я пойду с самыми простыми и сложными.

Путь: Извлечение ссылки

Сначала мы извлекаем все ссылки на текущей странице.

const links = await page.$$eval(".hyperlink", element => element.href);

Это дает нам список URL. Мы можем создать новую вкладку для каждой ссылки.

for(let link of links){
  const newTab = await browser.newPage();
  await newTab.goto(link);
  // do the stuff
  await newTab.close();
}

Это будет проходить по каждой ссылке по одной. Мы могли бы улучшить это, используя promise.map и различные библиотеки очередей, но вы поняли идею.

Путь: Возвращение на главную страницу

Нам нужно будет каким-то образом сохранить состояние, чтобы мы могли знать, какую ссылку мы посетили в прошлый раз. Если мы посетили третий вопрос и вернулись на страницу тегов, нам нужно посетить 4-й вопрос в следующий раз, и наоборот.

Проверьте следующий код.

const puppeteer = require("puppeteer");

(async () => {
  const browser = await puppeteer.launch({ headless: false });
  const page = await browser.newPage();

  await page.goto(
    `https://stackoverflow.com/questions/tagged/web-scraping?sort=newest&pagesize=15`
  );

  const visitLink = async (index = 0) => {
    await page.waitFor("div.summary > h3 > a");

    // extract the links to click, we need this every time
    // because the context will be destryoed once we navigate
    const links = await page.$$("div.summary > h3 > a");
    // assuming there are 15 questions on one page,
    // we will stop on 16th question, since that does not exist
    if (links[index]) {
      console.info("Clicking ", index);

      await Promise.all([

        // so, start with the first link
        await page.evaluate(element => {
          element.click();
        }, links[index]),

        // either make sure we are on the correct page due to navigation
        await page.waitForNavigation(),
        // or wait for the post data as well
        await page.waitFor(".post-text")
      ]);

      const currentPage = await page.title();
      console.info(index, currentPage);

      // go back and visit next link
      await page.goBack({ waitUntil: "networkidle0" });
      return visitLink(index + 1);
    }
    console.info("No links left to click");
  };

  await visitLink();

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

Результат:

Обновлено: Есть несколько вопросов, похожих на этот. Я буду ссылаться на них, если вы захотите узнать больше.

• Ответ Томаса Дондорфа
• Мой ответ о логике бесконечной прокрутки

Вместо того, чтобы циклически щелкать все ссылки, я считаю, что лучше проанализировать все ссылки, а затем перейти к каждой из них, используя один и тот же браузер. Дать ему шанс:

const puppeteer = require("puppeteer");

(async () => {
    const browser = await puppeteer.launch({headless:false});
    const [page] = await browser.pages();
    const base = "https://stackoverflow.com"
    await page.goto("https://stackoverflow.com/questions/tagged/web-scraping");
    let links = [];
    await page.waitFor(".summary .question-hyperlink");
    const sections = await page.$$(".summary .question-hyperlink");

    for (const section of sections) {
        const clink = await page.evaluate(el=>el.getAttribute("href"), section);
        links.push(`${base}${clink}`);
    }

    for (const link of links) {
        await page.goto(link);
        await page.waitFor('h1 > a');
    }
    await browser.close();
})();