puppeteer获取href数组，然后遍历每个href和页面上的href

Question

我正在尝试通过node.js中的木偶操纵者抓取数据

目前，我正在编写一个脚本，它可以抓取well.ca某一部分中的所有数据

现在，以下是我试图通过node.js实现的方法/逻辑

1-前往网站的医药健康部分

2-使用dom选择器通过dom选择器panel-body-content a[href]从.panel-body-content获取href数组，以抓取子部分

3-使用for循环遍历每个链接(子部分)

4对于每个子链接，通过.col-lg-5ths col-md-3 col-sm-4 col-xs-6 a[href]获取值为col-lg-5ths col-md-3 col-sm-4 col-xs-6的每个类的href，从而获得每个产品的另一个href数组

5-遍历小节中的每个产品

6-收集每个产品的数据

目前，我已经编写了上面的大部分代码：

const puppeteer = require('puppeteer');
const chromeOptions = {
  headless: false,
  defaultViewport: null,
};
(async function main() {
  const browser = await puppeteer.launch(chromeOptions);
  try {
    const page = await browser.newPage();
    await page.goto("https://well.ca/categories/medicine-health_2.html");
    console.log("::::::: OPEN WELL   ::::::::::");

    // href attribute
    const hrefs1 = await page.evaluate(
      () => Array.from(
        document.querySelectorAll('.panel-body-content a[href]'),
       a => a.getAttribute('href')
     )
   );
    
    console.log(hrefs1);

    const urls = hrefs1

    for (let i = 0; i < urls.length; i++) {
      const url = urls[i];
      await page.goto(url);
    }
      const hrefs2 = await page.evaluate(
     () => Array.from(
      document.querySelectorAll('.col-lg-5ths col-md-3 col-sm-4 col-xs-6 a[href]'),
       a => a.getAttribute('href')
     )
    );

当我尝试为每个产品的每个href获取一个数组时，在数组中什么也得不到。

如何添加一个嵌套的for循环，以获取每个小节中每个产品的所有href的数组，然后访问每个产品链接？

要获取id为product_grid_link的类.col-lg-5ths col-md-3 col-sm-4 col-xs-6中的所有href，正确的dom选择器是什么？

如果我想添加一个后续循环，通过每个小节中产品的href从每个产品中获取信息，我如何将其嵌入到代码中？

任何帮助都将不胜感激

Answer 1

似乎有些链接是重复的，所以最好是收集最终页面的所有链接，删除链接列表中的重复数据，然后再抓取最终页面。(您还可以将最后几页的链接保存在一个文件中，以供以后使用。)此脚本收集5395个链接(已消除重复数据)。

'use strict';

const puppeteer = require('puppeteer');

(async function main() {
  try {
    const browser = await puppeteer.launch({ headless: false, defaultViewport: null });
    const [page] = await browser.pages();

    await page.goto('https://well.ca/categories/medicine-health_2.html');

    const hrefsCategoriesDeduped = new Set(await page.evaluate(
      () => Array.from(
        document.querySelectorAll('.panel-body-content a[href]'),
        a => a.href
      )
    ));

    const hrefsPages = [];

    for (const url of hrefsCategoriesDeduped) {
      await page.goto(url);
      hrefsPages.push(...await page.evaluate(
        () => Array.from(
          document.querySelectorAll('.col-lg-5ths.col-md-3.col-sm-4.col-xs-6 a[href]'),
          a => a.href
        )
      ));
    }

    const hrefsPagesDeduped = new Set(hrefsPages);

    // hrefsPagesDeduped can be converted back to an array
    // and saved in a JSON file now if needed.

    for (const url of hrefsPagesDeduped) {
      await page.goto(url);

      // Scrape the page.
    }

    await browser.close();
  } catch (err) {
    console.error(err);
  }
})();