使用 Puppeteer 实现文件下载

[yinguangyao]

前言

最近打算去总结一下以前写的一些需求和技术项目，方便以后及时回顾。

去年有过这么一个需求，我们需要到某合作方网站（某国银行）下载文件，他们只提供了帐号密码，没有提供下载的接口，需要我们自己去分析接口来调用。

后端以前端更熟悉接口参数为理由甩锅给了前端，于是不得不去分析一波网站的接口参数。

打开网站发现一大串参数，很多都是 asp 里面生成的状态，不好去分析这些参数。恰好当时已经听过无头浏览器这个概念了，就想试试 Puppeteer 能否实现这个功能。

自己本地写了一个 Demo 去下载文件，发现实现起来很完美。

什么是无头浏览器？

无头（Headless）浏览器是指没有图形界面的浏览器，可以运行在服务器，和我们常规的浏览器不一样。

无头浏览器能够模拟用户的真实操作，比如打开页面、输入账号密码、点击登录、跳转等等。网站也无法分辨当前是真实浏览器访问还是无头浏览器访问。

目前比较火的是无头浏览器是 Google 的 Puppeteer，常用于自动化 UI 测试和截图。Puppeteer 的文档非常详细，可以参考 Puppeteer API。

Puppeteer 是基于 Chrome Devtools Protocol 协议的。CDP 协议允许使用工具来检查、调试和分析 Chromium、Chrome 和其他基于 Blink 的浏览器。我们常用的 DevTools 就是基于 CDP 协议实现的。

它使用 Websocket，利用 WebSocket 来建立连接 DevTools 和浏览器内核的快速数据通道。

我们熟知的骨架屏也可以利用 Puppeteer 来自动生成，饿了么开源的 page-skeleton-webpack-plugin 就是一个很好的应用场景。

运行环境

我们服务都是在 Docker 里面运行的，使用 K8S 做容器编排。所以需要一个能够运行 Puppeteer 的 Docker 镜像，虽然官方文档里面提供了在 Docker 里面运行的一些配置，但当初踩了很多坑。

比较重要的就是下面这段，用来安装在 Linux 环境运行时缺少的一些库：

RUN apt-get update \
  && apt-get install -y wget gnupg \
  && apt-get install libxtst6 \
  && apt-get install libxss1 \
  && wget -q -O - https://dl-ssl.google.com/linux/linux_signing_key.pub | apt-key add - \
  && sh -c 'echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google.list' \
  && apt-get update \
  && apt-get install -y google-chrome-stable fonts-ipafont-gothic fonts-wqy-zenhei fonts-thai-tlwg fonts-kacst fonts-freefont-ttf libxss1 \
  --no-install-recommends \
  && rm -rf /var/lib/apt/lists/*

一个完整的 Dockerfile 如下：

FROM node:10.15.3

WORKDIR /data/server

COPY package.json package-lock.json .npmrc ./

RUN apt-get update \
  && apt-get install -y wget gnupg \
  && apt-get install libxtst6 \
  && apt-get install libxss1 \
  && wget -q -O - https://dl-ssl.google.com/linux/linux_signing_key.pub | apt-key add - \
  && sh -c 'echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google.list' \
  && apt-get update \
  && apt-get install -y google-chrome-stable fonts-ipafont-gothic fonts-wqy-zenhei fonts-thai-tlwg fonts-kacst fonts-freefont-ttf libxss1 \
  --no-install-recommends \
  && rm -rf /var/lib/apt/lists/*

# install deps
RUN npm install

# If package-lock.json miss dependencies, npm would fix it
# We should backup it first
RUN mv package-lock.json package-lock.bak

# build
COPY . ./

# restore maybe-fixed package-lock.json
RUN mv package-lock.bak package-lock.json

ENV NODE_ENV production

RUN npm run build

RUN npm prune --production

RUN rm -r /root/.npm/

CMD ["google-chrome-unstable"]
...

这里有一个关于 Docker 的小技巧，为什么先 COPY package.json 和 package-lock.json，再 COPY 剩下的文件呢？为什么不能直接全部 COPY 过去呢？

想象一下，假如我们项目修改了一些代码，但 package.json 和 package-lock.json 没有发生变化，这种情况是不应该重新执行 npm install 的，会造成 docker build 的时候耗时过久。

那么能不能检测到这种情况，跳过 npm install 这一步呢？

官方的最佳实践里面刚好描述了关于构建时缓存的一些信息，简单翻译一下就是：

1. Docker 执行每条指令的时候会创建一个 layer
2. 如果当前指令创建的 layer 已经在 cache 里面了，那就复用缓存，而不是重新创建 layer，指令也不会被执行。
3. 对于 ADD 和 COPY 两个特殊指令来说，Docker 会检查文件的内容，并为每个文件计算校验和。这些校验和不考虑文件的最后修改和最后访问时间。如果文件中的任何内容发生了更改，则缓存将失效。
4. 对于其他指令来说，只会简单比较一下指令有没有发生变化。

简单来说，我们可以利用 COPY 命令的缓存特性来实现跳过 npm install 命令。所以在这里如果先执行了 COPY . ./，因为项目里面的文件修改了，这样会导致缓存失效，后续的指令都重新执行。

如果先执行了 COPY package.json package-lock.json ./，由于我们没有修改 package.json，layer 就会命中缓存，直到运行 COPY . ./ 的时候发现文件变化了缓存才失效。

实现

在开始写代码之前，先思考一下去一个网站下载文件需要进过哪些步骤？

首先，我们打开网站登录页，输入用户名和密码，点击登录按钮。登录后，我们需要模拟用户点击行为来触发 DOM 的 click，从而实现跳转和切换功能。

一直到进入下载页面，点击下载按钮，文件会被下载下来。我们获取到文件流之后上传到 S3 服务器就行了。

登录

首先，我们来启动一个 Puppeteer 的浏览器 Browser。调用 launch 方法启动一个无头浏览器，默认是 headless，如果本地调试可以设置 headless: false，这样在本地会启动一个浏览器。

  import { launch } from 'puppeteer';
  const browser = await launch({
    timeout: 60 * 1000,
    args: [
      '--no-sandbox',
      '--disable-setuid-sandbox',
      '--disable-dev-shm-usage',
    ],
    userDataDir: './user_data',
  });
  browser.on('disconnected', startServer); // 如果连接失败，就重新创建
  console.log(`Restart Puppeteer with pid ${browser.process().pid}`);

浏览器已经启动，如果想访问网页的话，我们还需要创建一个 page，也就是 Chrome 里面的标签页。所以一个 Browser 可以创建多个 page。

const page = await browser.newPage();

然后我们需要创建一个 CDPSession，可以直接与原生的 CDP 进行通信。 通过 CDP 会话来设置下载路径。

page.setViewport({
    width: 1366,
    height: 768,
});
const client = await page.target().createCDPSession();
client.send('Page.setDownloadBehavior', {
    behavior: 'allow',
    downloadPath: '/download'
});

然后就可以打开我们想去登录的页面。

    await page.goto(config.home, {});
    await page.waitFor(1000);
    // 通过 type 实现输入
    await page.type('input[name=usename]', username, {
      delay: 50,
    });
    await page.type('input[name=password]', password, {
      delay: 50,
    });
    // 回车
    await page.keyboard.press('Enter');

登录成功后，需要跳转到一个网站首页。如果立即去执行 DOM 操作，就会出现页面还没有加载成功的情况。所幸 Puppeteer 提供给了 waitForNavigation 这个 API。

await page.waitForNavigation(); // 直到导航完成后

操作点击 DOM 元素的时候比较保险的一种方式是 waitForSelector，等我们要操作的 DOM 元素出现后再去点。

await page.waitForSelector('#nav', { timeout: 10 * 60 * 1000 });

如果 DOM 查询比较复杂，还可以用 evaluate 方法，在这个方法里面可以使用 document.querySelector 来查询。

    await page.evaluate(() => {
      const elements = document.querySelectorAll('.xxx');
      elements.forEach(e => {
        if ((e as any).title === 'yyy') {
          (e as HTMLElement).click();
        }
      });
    });

下载

进入下载页面后，点击下载按钮，这个时候文件下载到了我们提前设置的文件夹里面。那么怎么知道文件是否下载完成呢？

这里有个粗暴的方法，每秒去轮询一次，如果下载成功了，文件后缀就是我们想要的那个格式，比如 .txt, .csv 等等。

// check 下载文件
  let isFinish = false;
  let files: string[] = [];
  const now = Date.now();
  while (!isFinish) {
    await wait(1000);
    files = await promisify(readdir)(dir);
    // 如果有文件，且后缀满足我们的要求
    if (files.length > 0 && checkExtname(files[0], extname)) {
      isFinish = true;
    }
    // 如果文件超过10min还没下载成功，就抛出错误
    if (!isFinish && Date.now() - now >= 10 * 60 * 1000) {
      throw new Error('download file timeout');
    }
  }
  // 记录一下耗时
  console.log(`time spend: time=${Date.now() - now}`);

拿到文件地址后，就去读取这个文件流，上传到 S3 服务器上面。

const filename = files[0];
  const filePath = path.resolve(downloadDir, filename);
  // 获取文件可读流
  const stream = createReadStream(filePath);
  // 上传到 S3
  const pathInfo = await uploadS3(stream);
  // 上传成功后记得删除文件
  promisify(unlink)(filePath);

错误处理

由于 Puppeteer 本身也不是特别稳定，如何进行错误捕获呢？怎么通知到开发下载失败了呢？

任何一步都可能出错，有可能点某个 DOM 点不到，有可能文件没下载下来，这些都要通知到开发。所以要在每个可能的地方都进行 try...catch。

发送告警邮件

由于本身就无法保证100%成功率，所以在连续失败三次后发送告警邮件，通知到相关产品、测试和开发人员。使用 nodemailer 可以实现邮件发送。

const transporter = nodemailer.createTransport({
    host: 'smtp.xxx.com',
    port: 123,
    secure: true,
});

    const options = {
      from: 'xxxx@qq.com',
      to: 'yyy@qq.com, zzz@qq.com, www@qq.com',
      subject: `下载失败: ${moment(new Date()).format('YYYY-MM-DD HH:mm:ss')}`
      text: 'xxxxxxx',
    };

    transporter.sendMail(options, (error, info) => {
      if (error) {
        return console.log(`sendMail internal error`, error);
      }
      console.log(`sendMail successfully`);
    });

截图

虽然我们已经发送了告警邮件，但还是无法知道问题出在了哪一步，比如网站可能刚好半夜维护了，或者网站改版了，对这个脚本都是一个致命的打击。

利用 Puppeteer 提供的截图功能，在报错的时候截一张图，把图片一起贴到告警邮件里面。这样收到告警邮件后，我一打开就知道问题出在了哪一步，再也不需要很辛苦的去看日志了。

// 实现网页截图
const base64 = await page.screenshot({
    fullPage: true,
    encoding: 'base64',
  });
  const img = `<img src="data:image/png;base64,${base64}" />`;
  return img;

总结

Puppeteer 是一个非常强大的库，在某些场景下会非常方便。等有时间的时候也可以去研究一下 Chrome DevTools 的原理。