优化成本
简介
使用 Puppeteer 进行数据抓取时,流量消耗是一个重要的考虑因素。尤其是在使用代理服务时,流量成本可能会显著增加。为了优化流量使用,我们可以采用以下策略:
- 资源拦截: 通过拦截不必要的资源请求来减少流量消耗。
- 请求 URL 拦截: 基于 URL 特性拦截特定请求,进一步减少流量。
- 模拟移动设备: 使用移动设备配置获取更轻量级的页面版本。
- 综合优化: 将以上方法结合起来以达到最佳效果。
优化方案一:资源拦截
资源拦截简介
在 Puppeteer 中,page.setRequestInterception(true)
可以捕获浏览器发起的每一个网络请求,并决定继续(request.continue()
), 终止(request.abort()
), 或自定义响应(request.respond()
)。
此方法可以显著减少带宽消耗,尤其适用于爬取、截图和性能优化场景。
可拦截资源类型及建议
资源类型 | 描述 | 示例 | 拦截后的影响 | 建议 |
---|---|---|---|---|
image | 图片资源 | JPG/PNG/GIF/WebP 图片 | 图片将不会显示 | ⭐ 安全 |
font | 字体文件 | TTF/WOFF/WOFF2 字体 | 将使用系统默认字体 | ⭐ 安全 |
media | 媒体文件 | 视频/音频文件 | 媒体内容无法播放 | ⭐ 安全 |
manifest | Web 应用清单 | PWA 配置文件 | PWA 功能可能受影响 | ⭐ 安全 |
prefetch | 预取资源 | <link rel="prefetch"> | 对页面的影响极小 | ⭐ 安全 |
stylesheet | CSS 样式表 | 外部 CSS 文件 | 页面样式丢失,可能影响布局 | ⚠️ 注意 |
websocket | WebSocket | 实时通信连接 | 实时功能失效 | ⚠️ 注意 |
eventsource | 服务器发送事件 | 服务器推送数据 | 推送功能失效 | ⚠️ 注意 |
preflight | CORS 预检请求 | OPTIONS 请求 | 跨域请求失败 | ⚠️ 注意 |
script | JavaScript 脚本 | 外部 JS 文件 | 动态功能失效,SPA 可能无法渲染 | ❌ 避免 |
xhr | XHR 请求 | AJAX 数据请求 | 无法获取动态数据 | ❌ 避免 |
fetch | Fetch 请求 | 现代 AJAX 请求 | 无法获取动态数据 | ❌ 避免 |
document | 主文档 | HTML 页面本身 | 页面无法加载 | ❌ 避免 |
建议等级说明:
- ⭐ 安全: 拦截几乎不影响数据抓取或首屏渲染;建议默认拦截。
- ⚠️ 注意: 可能破坏样式、实时功能或跨域请求;需要根据业务判断。
- ❌ 避免: 极大可能会导致 SPA/动态网站无法正常渲染或获取数据,除非您绝对确定不需要这些资源。
资源拦截示例代码
import puppeteer from 'puppeteer-core';
const scrapelessUrl = 'wss://browser.scrapeless.com/browser?token=your_api_key&session_ttl=180&proxy_country=ANY';
async function scrapeWithResourceBlocking(url) {
const browser = await puppeteer.connect({
browserWSEndpoint: scrapelessUrl,
defaultViewport: null
});
const page = await browser.newPage();
// Enable request interception
await page.setRequestInterception(true);
// Define resource types to block
const BLOCKED_TYPES = new Set([
'image',
'font',
'media',
'stylesheet',
]);
// Intercept requests
page.on('request', (request) => {
if (BLOCKED_TYPES.has(request.resourceType())) {
request.abort();
console.log(`Blocked: ${request.resourceType()} - ${request.url().substring(0, 50)}...`);
} else {
request.continue();
}
});
await page.goto(url, {waitUntil: 'domcontentloaded'});
// Extract data
const data = await page.evaluate(() => {
return {
title: document.title,
content: document.body.innerText.substring(0, 1000)
};
});
await browser.close();
return data;
}
// Usage
scrapeWithResourceBlocking('https://www.scrapeless.com')
.then(data => console.log('Scraping result:', data))
.catch(error => console.error('Scraping failed:', error));
优化方案二:请求 URL 拦截
除了按资源类型拦截外,还可以基于 URL 特性进行更细粒度的拦截控制。这对于拦截广告、分析脚本和其他不必要的第三方请求特别有效。
URL 拦截策略
- 按域名拦截: 拦截来自特定域名的所有请求
- 按路径拦截: 拦截来自特定路径的请求
- 按文件类型拦截: 拦截具有特定扩展名的文件
- 按关键字拦截: 拦截 URL 包含特定关键字的请求
常用可拦截 URL 模式
URL 模式 | 描述 | 示例 | 建议 |
---|---|---|---|
广告服务 | 广告网络域名 | ad.doubleclick.net , googleadservices.com | ⭐ 安全 |
分析服务 | 统计和分析脚本 | google-analytics.com , hotjar.com | ⭐ 安全 |
社交媒体插件 | 社交分享按钮等 | platform.twitter.com , connect.facebook.net | ⭐ 安全 |
追踪像素 | 追踪用户行为的像素 | 包含 pixel 、beacon 、tracker 的 URL | ⭐ 安全 |
大型媒体文件 | 大型视频、音频文件 | .mp4 、.webm 、.mp3 等扩展名 | ⭐ 安全 |
字体服务 | 在线字体服务 | fonts.googleapis.com , use.typekit.net | ⭐ 安全 |
CDN 资源 | 静态资源 CDN | cdn.jsdelivr.net , unpkg.com | ⚠️ 注意 |
URL 拦截示例代码
import puppeteer from 'puppeteer-core';
const scrapelessUrl = 'wss://browser.scrapeless.com/browser?token=your_api_key&session_ttl=180&proxy_country=ANY';
async function scrapeWithUrlBlocking(url) {
const browser = await puppeteer.connect({
browserWSEndpoint: scrapelessUrl,
defaultViewport: null
});
const page = await browser.newPage();
// Enable request interception
await page.setRequestInterception(true);
// Define domains and URL patterns to block
const BLOCKED_DOMAINS = [
'google-analytics.com',
'googletagmanager.com',
'doubleclick.net',
'facebook.net',
'twitter.com',
'linkedin.com',
'adservice.google.com',
];
const BLOCKED_PATHS = [
'/ads/',
'/analytics/',
'/pixel/',
'/tracking/',
'/stats/',
];
// Intercept requests
page.on('request', (request) => {
const url = request.url();
// Check domain
if (BLOCKED_DOMAINS.some(domain => url.includes(domain))) {
request.abort();
console.log(`Blocked domain: ${url.substring(0, 50)}...`);
return;
}
// Check path
if (BLOCKED_PATHS.some(path => url.includes(path))) {
request.abort();
console.log(`Blocked path: ${url.substring(0, 50)}...`);
return;
}
// Allow other requests
request.continue();
});
await page.goto(url, {waitUntil: 'domcontentloaded'});
// Extract data
const data = await page.evaluate(() => {
return {
title: document.title,
content: document.body.innerText.substring(0, 1000)
};
});
await browser.close();
return data;
}
// Usage
scrapeWithUrlBlocking('https://www.scrapeless.com')
.then(data => console.log('Scraping result:', data))
.catch(error => console.error('Scraping failed:', error));
优化方案三:模拟移动设备
模拟移动设备是另一种有效的流量优化策略,因为移动网站通常提供更轻量级的页面内容。
模拟移动设备的优势
- 更轻量级的页面版本: 许多网站为移动设备提供更简洁的内容
- 更小的图片资源: 移动版本通常加载更小的图片
- 简化的 CSS 和 JavaScript: 移动版本通常使用简化的样式和脚本
- 减少广告和非核心内容: 移动版本通常会移除一些非核心功能
- 自适应响应: 获取针对小屏幕优化的内容布局
移动设备模拟配置
以下是几种常用移动设备的配置参数:
const iPhoneX = {
viewport: {
width: 375,
height: 812,
deviceScaleFactor: 3,
isMobile: true,
hasTouch: true,
isLandscape: false
}
};
或者直接使用 puppeteer 的内置方法模拟移动设备
import { KnownDevices } from 'puppeteer-core';
const iPhone = KnownDevices['iPhone 15 Pro'];
const browser = await puppeteer.launch();
const page = await browser.newPage();
await page.emulate(iPhone);
移动设备模拟示例代码
import puppeteer, {KnownDevices} from 'puppeteer-core';
const scrapelessUrl = 'wss://browser.scrapeless.com/browser?token=your_api_key&session_ttl=180&proxy_country=ANY';
async function scrapeWithMobileEmulation(url) {
const browser = await puppeteer.connect({
browserWSEndpoint: scrapelessUrl,
defaultViewport: null
});
const page = await browser.newPage();
// Set mobile device simulation
const iPhone = KnownDevices['iPhone 15 Pro'];
await page.emulate(iPhone);
await page.goto(url, {waitUntil: 'domcontentloaded'});
// Extract data
const data = await page.evaluate(() => {
return {
title: document.title,
content: document.body.innerText.substring(0, 1000)
};
});
await browser.close();
return data;
}
// Usage
scrapeWithMobileEmulation('https://www.scrapeless.com')
.then(data => console.log('Scraping result:', data))
.catch(error => console.error('Scraping failed:', error));
综合优化示例
这是一个结合所有优化方案的综合示例:
import puppeteer, {KnownDevices} from 'puppeteer-core';
const scrapelessUrl = 'wss://browser.scrapeless.com/browser?token=your_api_key&session_ttl=180&proxy_country=ANY';
async function optimizedScraping(url) {
console.log(`Starting optimized scraping: ${url}`);
// Record traffic usage
let totalBytesUsed = 0;
const browser = await puppeteer.connect({
browserWSEndpoint: scrapelessUrl,
defaultViewport: null
});
const page = await browser.newPage();
// Set mobile device simulation
const iPhone = KnownDevices['iPhone 15 Pro'];
await page.emulate(iPhone);
// Set request interception
await page.setRequestInterception(true);
// Define resource types to block
const BLOCKED_TYPES = [
'image',
'media',
'font'
];
// Define domains to block
const BLOCKED_DOMAINS = [
'google-analytics.com',
'googletagmanager.com',
'facebook.net',
'doubleclick.net',
'adservice.google.com'
];
// Define URL paths to block
const BLOCKED_PATHS = [
'/ads/',
'/analytics/',
'/tracking/'
];
// Intercept requests
page.on('request', (request) => {
const url = request.url();
const resourceType = request.resourceType();
// Check resource type
if (BLOCKED_TYPES.includes(resourceType)) {
console.log(`Blocked resource type: ${resourceType} - ${url.substring(0, 50)}...`);
request.abort();
return;
}
// Check domain
if (BLOCKED_DOMAINS.some(domain => url.includes(domain))) {
console.log(`Blocked domain: ${url.substring(0, 50)}...`);
request.abort();
return;
}
// Check path
if (BLOCKED_PATHS.some(path => url.includes(path))) {
console.log(`Blocked path: ${url.substring(0, 50)}...`);
request.abort();
return;
}
// Allow other requests
request.continue();
});
// Monitor network traffic
page.on('response', async (response) => {
const headers = response.headers();
const contentLength = headers['content-length'] ? parseInt(headers['content-length'], 10) : 0;
totalBytesUsed += contentLength;
});
await page.goto(url, {waitUntil: 'domcontentloaded'});
// Simulate scrolling to trigger lazy-loading content
await page.evaluate(() => {
window.scrollBy(0, window.innerHeight);
});
await new Promise(resolve => setTimeout(resolve, 1000))
// Extract data
const data = await page.evaluate(() => {
return {
title: document.title,
content: document.body.innerText.substring(0, 1000),
links: Array.from(document.querySelectorAll('a')).slice(0, 10).map(a => ({
text: a.innerText,
href: a.href
}))
};
});
// Output traffic usage statistics
console.log(`\nTraffic Usage Statistics:`);
console.log(`Used: ${(totalBytesUsed / 1024 / 1024).toFixed(2)} MB`);
await browser.close();
return data;
}
// Usage
optimizedScraping('https://www.scrapeless.com')
.then(data => console.log('Scraping complete:', data))
.catch(error => console.error('Scraping failed:', error));
优化对比
我们尝试从综合示例中移除优化代码,以比较优化前后流量。以下是未优化的示例代码:
import puppeteer from 'puppeteer-core';
const scrapelessUrl = 'wss://browser.scrapeless.com/browser?token=your_api_key&session_ttl=180&proxy_country=ANY';
async function unoptimizedScraping(url) {
console.log(`Starting unoptimized scraping: ${url}`);
// Record traffic usage
let totalBytesUsed = 0;
const browser = await puppeteer.connect({
browserWSEndpoint: scrapelessUrl,
defaultViewport: null
});
const page = await browser.newPage();
// Set request interception
await page.setRequestInterception(true);
// Intercept requests
page.on('request', (request) => {
request.continue();
});
// Monitor network traffic
page.on('response', async (response) => {
const headers = response.headers();
const contentLength = headers['content-length'] ? parseInt(headers['content-length'], 10) : 0;
totalBytesUsed += contentLength;
});
await page.goto(url, {waitUntil: 'domcontentloaded'});
// Simulate scrolling to trigger lazy-loading content
await page.evaluate(() => {
window.scrollBy(0, window.innerHeight);
});
await new Promise(resolve => setTimeout(resolve, 1000))
// Extract data
const data = await page.evaluate(() => {
return {
title: document.title,
content: document.body.innerText.substring(0, 1000),
links: Array.from(document.querySelectorAll('a')).slice(0, 10).map(a => ({
text: a.innerText,
href: a.href
}))
};
});
// Output traffic usage statistics
console.log(`\nTraffic Usage Statistics:`);
console.log(`Used: ${(totalBytesUsed / 1024 / 1024).toFixed(2)} MB`);
await browser.close();
return data;
}
// Usage
unoptimizedScraping('https://www.scrapeless.com')
.then(data => console.log('Scraping complete:', data))
.catch(error => console.error('Scraping failed:', error));
运行未优化代码后,我们可以从打印的信息中直观地看到流量差异:
场景 | 流量使用 (MB) | 节省比例 |
---|---|---|
未优化 | 6.03 | — |
优化后 | 0.81 | ≈ 86.6 % |
通过结合上述优化方案,可以显著降低代理流量消耗,提高抓取效率,并确保获取所需的核心内容。