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
python连接MySQL、MongoDB、Redis、memcache等数据库的方法
Nov 15 Python
python从入门到精通(DAY 1)
Dec 20 Python
Mac 上切换Python多版本
Jun 17 Python
python3 shelve模块的详解
Jul 08 Python
Python入门之三角函数atan2()函数详解
Nov 08 Python
Python解决抛小球问题 求小球下落经历的距离之和示例
Feb 01 Python
python 申请内存空间,用于创建多维数组的实例
Dec 02 Python
jupyter note 实现将数据保存为word
Apr 14 Python
Django REST Swagger实现指定api参数
Jul 07 Python
Python爬虫获取op.gg英雄联盟英雄对位胜率的源码
Jan 29 Python
python 破解加密zip文件的密码
Apr 22 Python
python3中apply函数和lambda函数的使用详解
Feb 28 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
Laravel 已登陆用户再次查看登陆页面的自动跳转设置方法
2019/09/30 PHP
基于jQuery的左右滚动实现代码
2010/12/03 Javascript
replace()方法查找字符使用示例
2013/10/28 Javascript
jQuery - css() 方法示例详解
2014/01/16 Javascript
JavaScript Sort 的一个错误用法示例
2015/03/20 Javascript
jQuery实现的AJAX简单弹出层效果代码
2015/11/26 Javascript
jQuery添加和删除指定标签的方法
2015/12/16 Javascript
JavaScript动态设置div的样式的方法
2015/12/26 Javascript
JS检测移动端横竖屏的代码
2016/05/30 Javascript
BootStrap 图片样式、辅助类样式和CSS组件的实例详解
2017/01/20 Javascript
JavaScript实现瀑布流以及加载效果
2017/02/11 Javascript
nodejs使用express创建一个简单web应用
2017/03/31 NodeJs
Angular4表单验证代码详解
2017/09/03 Javascript
JS实现table表格固定表头且表头随横向滚动而滚动
2017/10/26 Javascript
clipboard在vue中的使用的方法示例
2018/10/19 Javascript
Vue组件模板的几种书写形式(3种)
2020/02/19 Javascript
JavaScript闭包原理与用法学习笔记
2020/05/29 Javascript
对vue生命周期的深入理解
2020/12/03 Vue.js
[02:11]2016国际邀请赛中国区预选赛最美TA采访现场玩家
2016/06/28 DOTA
Python实现的科学计算器功能示例
2017/08/04 Python
解决python写入mysql中datetime类型遇到的问题
2018/06/21 Python
Django框架models使用group by详解
2020/03/11 Python
Python 线性回归分析以及评价指标详解
2020/04/02 Python
华丽的手绘陶瓷:MacKenzie-Childs
2017/02/04 全球购物
台湾东南旅游社网站:东南旅游
2019/02/11 全球购物
全球领先的中国制造商品在线批发平台:DHgate
2020/01/28 全球购物
C语言中一个结构不能包含指向自己的指针吗
2012/05/25 面试题
什么是lambda函数
2013/09/17 面试题
Vector, ArrayList, HashTable, HashMap哪些是线程安全的,哪些不是
2015/10/12 面试题
社区端午节活动方案
2014/01/28 职场文书
财政专业求职信范文
2014/02/19 职场文书
关于国庆节的演讲稿
2014/09/05 职场文书
防灾减灾标语
2014/10/07 职场文书
2015幼儿园新学期寄语
2015/02/27 职场文书
2015年计算机教师工作总结
2015/07/22 职场文书
常用的文件对应的MIME类型汇总
2022/04/26 HTML / CSS