python爬虫 Pyppeteer使用方法解析


Posted in Python onSeptember 28, 2019

引言

Selenium 在被使用的时候有个麻烦事,就是环境的相关配置,得安装好相关浏览器,比如 Chrome、Firefox 等等,然后还要到官方网站去下载对应的驱动,最重要的还需要安装对应的 Python Selenium 库,确实是不是很方便,另外如果要做大规模部署的话,环境配置的一些问题也是个头疼的事情。那么本节就介绍另一个类似的替代品,叫做 Pyppeteer。

Pyppeteer简介

注意,本节讲解的模块叫做 Pyppeteer,不是 Puppeteer。Puppeteer 是 Google 基于 Node.js 开发的一个工具,有了它我们可以通过 JavaScript 来控制 Chrome 浏览器的一些操作,当然也可以用作网络爬虫上,其 API 极其完善,功能非常强大。 而 Pyppeteer 又是什么呢?它实际上是 Puppeteer 的 Python 版本的实现,但他不是 Google 开发的,是一位来自于日本的工程师依据 Puppeteer 的一些功能开发出来的非官方版本。

在 Pyppetter 中,实际上它背后也是有一个类似 Chrome 浏览器的 Chromium 浏览器在执行一些动作进行网页渲染,首先说下 Chrome 浏览器和 Chromium 浏览器的渊源。

Chromium 是谷歌为了研发 Chrome 而启动的项目,是完全开源的。二者基于相同的源代码构建,Chrome 所有的新功能都会先在 Chromium 上实现,待验证稳定后才会移植,因此 Chromium 的版本更新频率更高,也会包含很多新的功能,但作为一款独立的浏览器,Chromium 的用户群体要小众得多。两款浏览器“同根同源”,它们有着同样的 Logo,但配色不同,Chrome 由蓝红绿黄四种颜色组成,而 Chromium 由不同深度的蓝色构成。

Pyppeteer 就是依赖于 Chromium 这个浏览器来运行的。那么有了 Pyppeteer 之后,我们就可以免去那些繁琐的环境配置等问题。如果第一次运行的时候,Chromium 浏览器没有安装,那么程序会帮我们自动安装和配置,就免去了繁琐的环境配置等工作。另外 Pyppeteer 是基于 Python 的新特性 async 实现的,所以它的一些执行也支持异步操作,效率相对于 Selenium 来说也提高了。

环境安装

由于 Pyppeteer 采用了 Python 的 async 机制,所以其运行要求的 Python 版本为 3.5 及以上

pip install pyppeteer

快速上手

- 爬取http://quotes.toscrape.com/js/ 全部页面数据

import asyncio
from pyppeteer import launch
from lxml import etree
 
async def main():
browser = await launch()
page = await browser.newPage()
await page.goto('http://quotes.toscrape.com/js/')
page_text = await page.content()
tree = etree.HTML(page_text)
div_list = tree.xpath('//div[@class="quote"]')
print(len(div_list))
await browser.close()
 
asyncio.get_event_loop().run_until_complete(main())

结合协程

from pyppeteer import launch
import asyncio
from lxml import etree

# 实例化浏览器对象(谷歌测试版)
async def main():
  bro = await launch()
  # 新建一个空白页
  page = bro.newPage()
  page.goto('http://quotes.toscrape.com/js/')

  # 获取page当前显示页面的源码数据
  page_text = await page.content()

  return page_text

def parse(task):
  page_text = task.result()
  tree = etree.HTML(page_text)
  div_list = tree.xpath('//div[@class="quote"]')
  for div in div_list:
    content = div.xpath('./span[1]/text()')
    print(content)

c = main()
task = asyncio.ensure_future(c)
task.add_done_callback(parse)
loop = asyncio.get_event_loop()
loop.run_until_complete(c)

解释:

launch 方法会新建一个 Browser 对象,然后赋值给 browser,然后调用 newPage 方法相当于浏览器中新建了一个选项卡,同时新建了一个 Page 对象。然后 Page 对象调用了 goto 方法就相当于在浏览器中输入了这个 URL,浏览器跳转到了对应的页面进行加载,加载完成之后再调用 content 方法,返回当前浏览器页面的源代码。

然后进一步地,我们用 pyquery 进行同样地解析,就可以得到 JavaScript 渲染的结果了。在这个过程中,我们没有配置 Chrome 浏览器,没有配置浏览器驱动,免去了一些繁琐的步骤,同样达到了 Selenium 的效果,还实现了异步抓取。

详细用法

  • 开启浏览器
  • 调用 launch 方法即可,相关参数介绍:
    • ignoreHTTPSErrors (bool): 是否要忽略 HTTPS 的错误,默认是 False。
    • headless (bool): 是否启用 Headless 模式,即无界面模式,如果 devtools 这个参数是 True 的话,那么该参数就会被设置为 False,否则为 True,即默认是开启无界面模式的。
    • executablePath (str): 可执行文件的路径,如果指定之后就不需要使用默认的 Chromium 了,可以指定为已有的 Chrome 或 Chromium。
    • args (List[str]): 在执行过程中可以传入的额外参数。
    • devtools (bool): 是否为每一个页面自动开启调试工具,默认是 False。如果这个参数设置为 True,那么 headless 参数就会无效,会被强制设置为 False。
  • 关闭提示条:”Chrome 正受到自动测试软件的控制”,这个提示条有点烦,那咋关闭呢?这时候就需要用到 args 参数了,禁用操作如下:
    • browser = await launch(headless=False, args=['--disable-infobars'])

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
使用wxpython实现的一个简单图片浏览器实例
Jul 10 Python
Python模拟登录12306的方法
Dec 30 Python
Python模拟登陆淘宝并统计淘宝消费情况的代码实例分享
Jul 04 Python
Python 中的with关键字使用详解
Sep 11 Python
python+opencv实现的简单人脸识别代码示例
Nov 14 Python
python pandas库中DataFrame对行和列的操作实例讲解
Jun 09 Python
对python中的iter()函数与next()函数详解
Oct 18 Python
django的聚合函数和aggregate、annotate方法使用详解
Jul 23 Python
对python中url参数编码与解码的实例详解
Jul 25 Python
tensorflow 报错unitialized value的解决方法
Feb 06 Python
详解python百行有效代码实现汉诺塔小游戏(简约版)
Oct 30 Python
Scrapy+Selenium自动获取cookie爬取网易云音乐个人喜爱歌单
Feb 01 Python
python安装scipy的步骤解析
Sep 28 #Python
python网络爬虫 CrawlSpider使用详解
Sep 27 #Python
python numpy存取文件的方式
Apr 01 #Python
100行Python代码实现每天不同时间段定时给女友发消息
Sep 27 #Python
使用Fabric自动化部署Django项目的实现
Sep 27 #Python
Win10+GPU版Pytorch1.1安装的安装步骤
Sep 27 #Python
opencv调整图像亮度对比度的示例代码
Sep 27 #Python
You might like
默默简单的写了一个模板引擎
2007/01/02 PHP
一个经典的PHP文件上传类分享
2014/11/18 PHP
PHP使用glob函数遍历目录或文件夹的方法
2014/12/16 PHP
PHP的微信支付接口使用方法讲解
2019/03/08 PHP
Jquery 表单验证类介绍与实例
2013/06/09 Javascript
div模拟选择框示例代码
2013/11/03 Javascript
浅析JavaScript中的同名标识符优先级
2013/12/06 Javascript
JavaScript对象属性检查、增加、删除、访问操作实例
2015/07/08 Javascript
JS实现列表的响应式排版(推荐)
2016/09/01 Javascript
浅谈Angular4中常用管道
2017/09/27 Javascript
详解JS判断页面是在手机端还是在PC端打开的方法
2019/04/26 Javascript
JavaScript this关键字指向常用情况解析
2020/09/02 Javascript
Js实现粘贴上传图片的原理及示例
2020/12/09 Javascript
python根据距离和时长计算配速示例
2014/02/16 Python
python实现统计代码行数的方法
2015/05/22 Python
python监控文件或目录变化
2016/06/07 Python
详解python使用递归、尾递归、循环三种方式实现斐波那契数列
2018/01/16 Python
python操作excel文件并输出txt文件的实例
2018/07/10 Python
Django框架实现的普通登录案例【使用POST方法】
2019/05/15 Python
树莓派动作捕捉抓拍存储图像脚本
2019/06/22 Python
Python 类属性与实例属性,类对象与实例对象用法分析
2019/09/20 Python
python常用数据重复项处理方法
2019/11/22 Python
pytorch实现线性拟合方式
2020/01/15 Python
python随机模块random使用方法详解
2020/02/14 Python
Python数组拼接np.concatenate实现过程
2020/04/18 Python
python自动生成证件号的方法示例
2021/01/14 Python
css3实现垂直下拉动画菜单示例
2014/04/22 HTML / CSS
css3 中的新特性加强记忆详解
2016/04/16 HTML / CSS
销售所有的狗狗产品:Dog.com
2016/10/13 全球购物
幼儿园消防演练方案
2014/02/13 职场文书
论文诚信承诺书
2014/05/23 职场文书
小学生迎国庆演讲稿
2014/09/05 职场文书
建设幸福中国演讲稿
2014/09/11 职场文书
创业计划书之物流运送
2019/09/17 职场文书
python必学知识之文件操作(建议收藏)
2021/05/30 Python
微软团队与 NASA 科学家和惠普企业(HPE)的工程师合作
2022/04/21 数码科技