Puppeteer自动化的性能优化与执行速度提升

前言

最近随着复杂的自动化任务的增加，robot 项目出现了很多问题，经常要人工智能，在上次清远漂流的时候，就是经常报警，而且基本都是我人工智能解决的。

这些问题包括：经常卡住，运行慢、卡，浏览器关不掉，CPU 和 内存 经常是满载运行的，特别是 CPU ，经常是 99% 的使用率。

Chromium 消耗最多的资源是 CPU，一是渲染需要大量计算，二是 Dom 的解析与渲染在不同的进程，进程间切换会给 CPU 造成压力（进程多了之后特别明显）。

其次消耗最多的是内存，Chromium 是以多进程的方式运行，一个页面会生成一个进程，一个进程占用 30M 左右的内存，大致估算 1000 个请求占用 30G 内存，在并发高的时候内存瓶颈最先显现。

优化最终会落在内存和 CPU 上（所有软件的优化最终都要落到这里），通常来说因为并发造成的瓶颈需要优化内存，计算速度慢的问题要优化 CPU。

所以这篇文章，我们谈谈如何优化Puppeteer的性能优化与执行速度。

Headless Chrome ，无头模式，浏览器的无界面形态，可以在不打开浏览器的前提下，在命令行中运行测试脚本，能够完全像真实浏览器一样完成用户所有操作，不用担心运行测试脚本时浏览器受到外界的干扰，也不需要借助任何显示设备，使自动化测试更稳定。

优化点

优化 Chromium 启动项

1. 如果将Dom解析和渲染放到同一进程，肯定能提升时间（进程上下文切换的时间）。对应的配置是 single-process
2. 部分功能 disable 掉，比如 GPU、Sandbox、插件等，减少内存的使用和相关计算。

代码如下：

const browser = await puppeteer.launch(
{
    headless:true,
    args: [
  ‘–disable-gpu’, // GPU硬件加速
  ‘–disable-dev-shm-usage’, // 创建临时文件共享内存
  ‘–disable-setuid-sandbox’, // uid沙盒
  ‘–no-first-run’, // 没有设置首页。在启动的时候，就会打开一个空白页面。
  ‘–no-sandbox’, // 沙盒模式
  ‘–no-zygote’,
  ‘–single-process’ // 单进程运行
    ]
})

优化Chromium执行流程

接下来我们再单独优化 Chromium 对应的页面。

每次请求都启动 Chromium，再打开 tab 页，请求结束后再关闭 tab 页与浏览器。

流程大致如下：

请求到达 -> 启动 Chromium -> 打开 tab 页 -> 运行代码 -> 关闭 tab 页 -> 关闭 Chromium -> 返回数据

真正运行代码的只是 tab 页面，理论上启动一个 Chromium 程序能运行成千上万的 tab 页，可不可以复用Chromium 只打开一个 tab 页然后关闭呢？

当然是可以的，Puppeteer 提供了 puppeteer.connect() 方法，可以连接到当前打开的浏览器。

流程如下：

请求到达 -> 连接 Chromium -> 打开 tab 页 -> 运行代码 -> 关闭 tab 页 -> 返回数据

代码如下：

const MAX_WSE = 4;  //启动几个浏览器
let WSE_LIST = []; //存储browserWSEndpoint列表
init();
app.get('/', function (req, res) {
    let tmp = Math.floor(Math.random()* MAX_WSE);
    (async () => {
        let browserWSEndpoint = WSE_LIST[tmp];
        const browser = await puppeteer.connect({browserWSEndpoint});
        const page = await browser.newPage();
        await page.goto('file://code/screen/index.html');
        await page.setViewport({
            width: 600,
            height: 400
        });
        await page.screenshot({path: 'example.png'});
        await page.close();
        res.send('Hello World!');
    })();
});
function init(){
    (async () => {
        for(var i=0;i<MAX_WSE;i++){
            const browser = await puppeteer.launch({headless:true,
                args: [
                '--disable-gpu',
                '--disable-dev-shm-usage',
                '--disable-setuid-sandbox',
                '--no-first-run',
                '--no-sandbox',
                '--no-zygote',
                '--single-process'
            ]});
            browserWSEndpoint = await browser.wsEndpoint();
            WSE_LIST[i] = browserWSEndpoint;
        }
        console.log(WSE_LIST);
    })();
}

程序启动时（使用 Express 提供 Web 接口），初始化一定数量的无头浏览器，并保存 WSEndpoint 列表，当收到请求时，通过随机数做简单的负载均衡（利用多核特性）。

使用 tab 方式渲染后请求速度提升了 200ms 左右，一个 tab 进程使用内存降到 20M 以内，带来的收益也非常可观。

不过这里要注意，官方并不建议这样做，因为一个 tab 页阻塞或者内存泄露会导致整个浏览器阻塞并 Crash。万全的解决办法是定期重启程序，当请求 1000 次或者内存超过限制后重启对应的进程。

其实这个方法并不适用于我们的 robot 项目，因为 代理、浏览器指纹 等信息，很难在一个浏览器里面做到完全隔离，如果要隔离，要写很多的代码来删除缓存、配置等 来区分环境才行。

之所以讲出来，如果后面有项目是专门做爬虫来采集数据、信息的，可能可以用得上。

页面优化

浏览器打开的页面数量越多，占用的内存就越多，和我们平时使用浏览器是一样的原理的。

但是 robot 项目里面有几个任务是打开多个 标签页面 来做任务的，比如 绑定货币、检查组合。

1. tab 页多必然会卡，所以必须有效控制 tab 页个数。
2. 浏览器打开时会默认有一个 page 页面，直接利用该页面能减少 1/3 左右的内存消耗。
3. 如果要打开多个页面来执行任务时，打开的页面执行完任务之后，最好把其关闭，减少内存的占用。

场景及数据分析

因为 FB 变化多端，有很多的场景，而且有时候场景的元素重叠了，导致程序跑错流程，所以代码写了很多种场景的判断，而且有时候看到都觉得无语。

而且有些场景都不用了，我们也不知道，旧场景的代码还留在程序里面了。

所以我觉得要做个场景的统计才行，每过一两个月看下数据，把不用的场景的代码删掉。

刚好我们上传日志的 Kibana 也即是 elk 那个平台就有这个功能，可以搞很多的报表分析，代码也不用修改，只分析一下那个日志就行。

还可以 分析 FB 的新版与旧版的灰度量，决定处理异常的优先度。

以此类推，其他项目结合具体的场景，应该也可以采用这个方法，比如 web 项目有些场景的日志。

Kibana 功能其实很强大的，之前都不知道，往后还是要学习一下这个产品才行。

植入 javascript 代码

iframe 较多时，浏览器经常卡到无法运行，所以可以考虑在代码里加了删除无用 iframe 的脚本。

不过，这各情况，在 robot 项目里面遇到的不多。

(async () => {
    const browser = await puppeteer.launch();
    const page = await browser.newPage();
    await page.goto('https://webmail.vip.188.com');
    //注册一个 Node.js 函数，在浏览器里运行
    await page.exposeFunction('md5', text =>
        crypto.createHash('md5').update(text).digest('hex')
    );
    //通过 page.evaluate 在浏览器里执行删除无用的 iframe 代码
    await page.evaluate(async () =>  {
        let iframes = document.getElementsByTagName('iframe');
        for(let i = 3; i <  iframes.length - 1; i++){
            let iframe = iframes[i];
            if(iframe.name.includes("frameBody")){
                iframe.src = 'about:blank';
                try{
                    iframe.contentWindow.document.write('');
                    iframe.contentWindow.document.clear();
                }catch(e){}
                //把iframe从页面移除
                iframe.parentNode.removeChild(iframe);
            }
        }
        //在页面中调用 Node.js 环境中的函数
        const myHash = await window.md5('PUPPETEER');
        console.log(`md5 of ${myString} is ${myHash}`);
    });
    await page.close();
    await browser.close();
})();

优化静态文件加载

我们在爬取网站的时候, 一般比较关心网站的加载速度, 而限制加载速度的大多数是静态文件, 包括 css, font, image。

为了优化爬虫性能, 我们需要阻止浏览器加载这些不必要的文件, 这可以通过对请求进行拦截来实现。

而且做到 随机拦截 更好一点。

await page.setRequestInterception(true);
page.on('request',  req => {
  if(['image', 'stylesheet', 'font'].includes(req.resourceType())) {
    return request.abort();
  }
  return request.continue();
});

开发调试

• puppeteer.launch(options)

devtools: true // 是否为每个选项卡自动打开 DevTools 面板，这个选项只有当 headless 设置为 false 的时候有效

开发时，可以通过 环境变量 来设置自动打开控制台，不用每次手动打开，减少操作时间。

开启缓存

`--user-data-dir=${this.userDataDir}`

设置用户数据目录，用户数据目录（User Data Directory）是 Chrome / Chromium 用来存放户插件、书签和 cookie 等信息的文件夹。

现在已经开发了这个功能了的，线上任务机都还没用上，只有开发任务机和本地开发上用到而已。

不过开启这个功能会耗费磁盘内存，要加个功能：缓存达到 80% 左右，就自动删除本地的缓存。

配置优化

现在线上的任务机已经有 32 台了，而且任务机会越来越多。

如果某天要加一个环境变量什么的，我就要手动修改 32 次，如果增加到 100 台任务机，就更恐怖了。

所以觉得有必要把一些配置放在 admin 里面来配置，并且统一管理。

觉得现在有必要加到 admin 配置有：

1. 所有的环境变量：由统一的一个文件或者接口管理。
2. 进程数量的配置也由接口控制。

还有一点就是：现在 robot 发版要 8 分钟左右了，之前是 2 分钟左右就能发完的，所以任务机的维护也要重视了。

浏览器关不掉

最近关不掉的浏览器都是这个情况的：

原因：911 代理的ip 相同，用的端口不同，就会出现 This site can’t be reached 没网络，还扣钱。

解决方法：用新的代理方案出来之后，应该就不会出现了。或者定时调用脚本重启 robot 程序(执行任务超过1000条，或者没有执行任务的时候 )。

911 没代理

获取 911 代理的余额、没有代理时，暂停拉取任务，15 分钟检查一次，还是没有代理就进行报警。

平滑重启 robot

robot 启动超过 24 小时，且再没有拉取到任务时，robot 调用脚本来重启 robot。

之前想通过 定时检查 CPU 和 内存，过高的次数超过一定值或者 robot 开启的状态超过一定时间，就重启 robot 的，但是发现 CPU 和 内存经常是很高的，所以不太可行。

想要优化的点

场景的重现

robot 最耗时的就是场景的重现，往往都是要找到特定的号，去到特定的页面位置，才能补好场景的。

之前想过，robot 出现未知错误时，就保存 html、js、css 等文件，特定的元素是保留下来了，但是因为特定的账号没有登录，一打开 html 文件时，是重现不了特定的场景的，补不了场景。

这个暂时没解决方法。

参考文章

• Puppeteer性能优化与执行速度提升
• 无头浏览器性能对比与Puppeteer的优化文档