如何最大化优化您的浏览器流量使用?

Senior Web Scraping Engineer
概述
在使用 Puppeteer 进行数据抓取时,流量消耗是一个重要考虑因素。特别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:根据 URL 特征进一步拦截特定请求,以减少流量。
- 模拟移动设备:使用移动设备配置获取较轻的页面版本。
- 综合优化:结合上述方法以实现最佳效果。
优化方案 1: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个网络请求,并决定 继续 (request.continue()
)、终止 (request.abort()
) 或 自定义响应 (request.respond()
)。
这种方法可以显著减少带宽消耗,特别适合用于 爬取、截屏 和 性能优化 这类场景。
可拦截的资源类型及建议
资源类型 | 描述 | 示例 | 拦截后的影响 | 推荐 |
---|---|---|---|---|
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 | 可能影响 PWA 功能 | ⭐ 安全 |
prefetch |
预取资源 | <link rel="prefetch"> |
对页面影响极小 | ⭐ 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 | 实时功能禁用 | ⚠️ 注意 |
eventsource |
服务器发送事件 | 服务器推送数据 | 推送功能禁用 | ⚠️ 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 | 动态功能禁用,SPA 可能无法正常渲染 | ❌ 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 |
推荐级别说明:
- ⭐ 安全:拦截几乎对数据抓取或首屏渲染没有影响,建议默认阻止。
- ⚠️ 注意:可能破坏样式、实时功能或跨域请求;需根据业务判断。
- ❌ 避免:高概率导致 SPA/动态网站无法正常渲染或获取数据,除非你绝对确定不需要这些资源。
资源拦截示例代码
javascript
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();
// 启用请求拦截
await page.setRequestInterception(true);
// 定义要拦截的资源类型
const BLOCKED_TYPES = new Set([
'image',
'font',
'media',
'stylesheet',
]);
// 拦截请求
page.on('request', (request) => {
if (BLOCKED_TYPES.has(request.resourceType())) {
request.abort();
console.log(`已拦截:${request.resourceType()} - ${request.url().substring(0, 50)}...`);
} else {
request.continue();
}
});
await page.goto(url, {waitUntil: 'domcontentloaded'});
// 提取数据
const data = await page.evaluate(() => {
return {
title: document.title,
content: document.body.innerText.substring(0, 1000)
};
});
await browser.close();
return data;
}
// 使用示例
scrapeWithResourceBlocking('https://www.scrapeless.com')
.then(data => console.log('抓取结果:', data))
.catch(error => console.error('抓取失败:', error));
## 优化方案二:请求URL拦截
除了按资源类型进行拦截外,还可以根据URL特征进行更细粒度的拦截控制。这对于阻止广告、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
1. **按域名拦截**:阻止来自特定域名的所有请求
2. **按路径拦截**:阻止来自特定路径的请求
3. **按文件类型拦截**:阻止具有特定扩展名的文件
4. **按关键字拦截**:阻止URL中包含特定关键字的请求
### 常见可拦截的URL模式
| URL模式 | 描述 | 示例 | 推荐 |
|--------|-----------|------------------------------------------------|-------|
| 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 |
| 跟踪像素 | 跟踪用户行为的像素 | 包含`pixel`、`beacon`、`tracker`的URL | ⭐ 安全 |
| 大媒体文件 | 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
```javascript
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();
// 启用请求拦截
await page.setRequestInterception(true);
// 定义要拦截的域名和URL模式
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/',
];
// 拦截请求
page.on('request', (request) => {
const url = request.url();
// 检查域名
if (BLOCKED_DOMAINS.some(domain => url.includes(domain))) {
request.abort();
console.log(`拦截的域名: ${url.substring(0, 50)}...`);
return;
}
// 检查路径
if (BLOCKED_PATHS.some(path => url.includes(path))) {
request.abort();
console.log(`拦截的路径: ${url.substring(0, 50)}...`);
return;
}
// 允许其他请求
request.continue();
});
await page.goto(url, {waitUntil: 'domcontentloaded'});
// 提取数据
const data = await page.evaluate(() => {
return {
title: document.title,
content: document.body.innerText.substring(0, 1000)
};
});
await browser.close();
return data;
}
// 用法
scrapeWithUrlBlocking('https://www.scrapeless.com')
.then(data => console.log('抓取结果:', data))
.catch(error => console.error('抓取失败:', 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的页面内容。
移动设备模拟的优势
- 更轻量的页面版本:许多网站为移动设备提供更简洁的内容
- 较小的图像资源:移动版本通常加载较小的图像
- 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:移动版本通常会去掉一些非核心功能
- 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:
javascript
const iPhoneX = {
viewport: {
width: 375,
height: 812,
deviceScaleFactor: 3,
isMobile: true,
hasTouch: true,
isLandscape: false
}
};
或者直接使用puppeteer的内置方法来模拟移动设备
javascript
import { KnownDevices } from 'puppeteer-core';
const iPhone = KnownDevices['iPhone 15 Pro'];
```javascript
const browser = await puppeteer.launch();
const page = await browser.newPage();
await page.emulate(iPhone);
移动设备模拟示例代码
javascript
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();
// 设置移动设备模拟
const iPhone = KnownDevices['iPhone 15 Pro'];
await page.emulate(iPhone);
await page.goto(url, {waitUntil: 'domcontentloaded'});
// 提取数据
const data = await page.evaluate(() => {
return {
title: document.title,
content: document.body.innerText.substring(0, 1000)
};
});
await browser.close();
return data;
}
// 用法
scrapeWithMobileEmulation('https://www.scrapeless.com')
.then(data => console.log('抓取结果:', data))
.catch(error => console.error('抓取失败:', error));
综合优化示例
下面是一个结合所有优化方案的综合示例:
javascript
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(`开始优化抓取: ${url}`);
// 记录流量使用
let totalBytesUsed = 0;
const browser = await puppeteer.connect({
browserWSEndpoint: scrapelessUrl,
defaultViewport: null
});
const page = await browser.newPage();
// 设置移动设备模拟
const iPhone = KnownDevices['iPhone 15 Pro'];
await page.emulate(iPhone);
// 设置请求拦截
await page.setRequestInterception(true);
// 定义要阻止的资源类型
const BLOCKED_TYPES = [
'image',
'media',
'font'
];
// 定义要阻止的域
const BLOCKED_DOMAINS = [
'google-analytics.com',
'googletagmanager.com',
'facebook.net',
'doubleclick.net',
'adservice.google.com'
];
// 定义要阻止的路径
const BLOCKED_PATHS = [
'/ads/',
'/analytics/',
'/tracking/'
];
// 拦截请求
page.on('request', (request) => {
const url = request.url();
const resourceType = request.resourceType();
// 检查资源类型
if (BLOCKED_TYPES.includes(resourceType)) {
console.log(`阻止的资源类型: ${resourceType} - ${url.substring(0, 50)}...`);
request.abort();
return;
}
// 检查域
if (BLOCKED_DOMAINS.some(domain => url.includes(domain))) {
console.log(`阻止的域: ${url.substring(0, 50)}...`);
request.abort();
return;
}
// 检查路径
if (BLOCKED_PATHS.some(path => url.includes(path))) {
console.log(`阻止的路径: ${url.substring(0, 50)}...`);
request.abort();
return;
}
// 允许其他请求
request.continue();
});
// 监控网络流量
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'});
// 模拟滚动以触发懒加载内容
await page.evaluate(() => {
window.scrollBy(0, window.innerHeight);
});
await new Promise(resolve => setTimeout(resolve, 1000))
// 提取数据
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
}))
};
});
// 输出流量使用统计
console.log(`\n流量使用统计:`);
console.log(`使用: ${(totalBytesUsed / 1024 / 1024).toFixed(2)} MB`);
await browser.close();
return data;
}
// 用法
optimizedScraping('https://www.scrapeless.com')
.then(data => console.log('抓取完成:', data))
.catch(error => console.error('抓取失败:', error));
优化比较
我们尝试从综合示例中移除优化代码以比较优化前后的流量。下面是未优化的示例代码:
javascript
import puppeteer 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(开始优化爬取: ${url}
);
// 记录流量使用情况
let totalBytesUsed = 0;
const browser = await puppeteer.connect({
browserWSEndpoint: scrapelessUrl,
defaultViewport: null
});
const page = await browser.newPage();
// 设置请求拦截
await page.setRequestInterception(true);
// 拦截请求
page.on('request', (request) => {
request.continue();
});
// 监控网络流量
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'});
// 模拟滚动以触发懒加载内容
await page.evaluate(() => {
window.scrollBy(0, window.innerHeight);
});
await new Promise(resolve => setTimeout(resolve, 1000))
// 提取数据
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
}))
};
});
// 输出流量使用统计
console.log(\n流量使用统计:
);
console.log(已使用: ${(totalBytesUsed / 1024 / 1024).toFixed(2)} MB
);
await browser.close();
return data;
}
// 使用
optimizedScraping('https://www.scrapeless.com')
.then(data => console.log('爬取完成:', data))
.catch(error => console.error('爬取失败:', error));
运行未优化代码后,我们可以通过打印的信息直观地看到流量差异:
| 场景 | 使用流量 (MB) | 保存比例 |
|-------------|:-------------:|:----------------:|
| 未优化 | 6.03 | — |
| **优化** | **0.81** | **≈ 86.6 %** |
通过结合上述优化方案,可以显著减少代理流量消耗,提高爬取效率,并确保获得所需的核心内容。
在Scrapeless,我们仅访问公开可用的数据,并严格遵循适用的法律、法规和网站隐私政策。本博客中的内容仅供演示之用,不涉及任何非法或侵权活动。我们对使用本博客或第三方链接中的信息不做任何保证,并免除所有责任。在进行任何抓取活动之前,请咨询您的法律顾问,并审查目标网站的服务条款或获取必要的许可。