課題

XML文法エラー

素直にpuppeteerでスクレイピングすると
XMLの文法エラーによって正しく表示できないFPサイトがいくつかある。

著名なエミュレータ（FireMobileSimulator）では
Content-TypeをHTMLに強制変換してXMLの文法エラーを回避しており、
puppeteerでスクレイピングするには同じことをやってあげる必要がある。

UIDの設定

FPサイトは基本的にUIDを使ったログイン処理を行なっているので
UIDを偽装して会員専用ページなどをスクレイピングしたいシーンがある。
UIDはRequestHeaderにいくつかのプロパティを追加する必要がある。

fp-scraper

上記の課題をもろもろ解消したNodeモジュール。
数行のコードを記述するだけで任意のWebページを一括でスクレイピングできる。

インストール

mkdir scraping
cd scraping

npm init -y
npm i -S fp-scraper
vi app.js

プログラム作成

app.js

const FpScraper = require('fp-scraper');

(async() => {
  const scraper = new FpScraper({
    // スクレイピングしたいURLを配列で渡す
    urls: ['http://k.nhk.jp/'],
    // UIDの設定
    uid: 'MY_CUSTOM_UID'
  });

  await scraper.scrape();
})();

実行

// resultディレクトリにキャプチャが格納される
node app.js

余談

fp-scraperと組み合わせてpixelmatchで差分比較すると
より効果的なスクレイピングツールによる表示確認が実現できる。

URL

fp-scraper
- https://github.com/cc822jp/fp-scraper
pixelmatch
- https://github.com/mapbox/pixelmatch