• [Python3网络爬虫开发实战] 7.2-Splash的使用

    Splash是一个JavaScript渲染服务，是一个带有HTTP API的轻量级浏览器，同时它对接了Python中的Twisted和QT库。利用它，我们同样可以实现动态渲染页面的抓取。

    1. 功能介绍

    利用Splash，我们可以实现如下功能：

    • 异步方式处理多个网页渲染过程；
    • 获取渲染后的页面的源代码或截图；
    • 通过关闭图片渲染或者使用Adblock规则来加快页面渲染速度；
    • 可执行特定的JavaScript脚本；
    • 可通过Lua脚本来控制页面渲染过程；
    • 获取渲染的详细过程并通过HAR（HTTP Archive）格式呈现。

    接下来，我们来了解一下它的具体用法。

    2. 准备工作

    在开始之前，请确保已经正确安装好了Splash并可以正常运行服务。如果没有安装，可以参考第1章。

    3. 实例引入

    首先，通过Splash提供的Web页面来测试其渲染过程。例如，我们在本机8050端口上运行了Splash服务，打开http://localhost:8050/即可看到其Web页面，如图7-6所示。

    图7-6 Web页面

    在图7-6右侧，呈现的是一个渲染示例。可以看到，上方有一个输入框，默认是http://google.com，这里换成百度测试一下，将内容更改为https://www.baidu.com，然后点击Render me按钮开始渲染，结果如图7-7所示。

    图7-7 运行结果

    可以看到，网页的返回结果呈现了渲染截图、HAR加载统计数据、网页的源代码。

    通过HAR的结果可以看到，Splash执行了整个网页的渲染过程，包括CSS、JavaScript的加载等过程，呈现的页面和我们在浏览器中得到的结果完全一致。

    那么，这个过程由什么来控制呢？重新返回首页，可以看到实际上是有一段脚本，内容如下：

    这个脚本实际上是用Lua语言写的脚本。即使不懂这个语言的语法，但从脚本的表面意思，我们也可以大致了解到它首先调用go()方法去加载页面，然后调用wait()方法等待了一定时间，最后返回了页面的源码、截图和HAR信息。

    到这里，我们大体了解了Splash是通过Lua脚本来控制了页面的加载过程的，加载过程完全模拟浏览器，最后可返回各种格式的结果，如网页源码和截图等。

    接下来，我们就来了解Lua脚本的写法以及相关API的用法。

    4. Splash Lua脚本

    Splash可以通过Lua脚本执行一系列渲染操作，这样我们就可以用Splash来模拟类似Chrome、PhantomJS的操作了。

    首先，我们来了解一下Splash Lua脚本的入口和执行方式。

    入口及返回值

    首先，来看一个基本实例：

    我们将代码粘贴到刚才打开的http://localhost:8050/的代码编辑区域，然后点击Render me!按钮来测试一下。

    我们看到它返回了网页的标题，如图7-8所示。这里我们通过evaljs()方法传入JavaScript脚本，而document.title的执行结果就是返回网页标题，执行完毕后将其赋值给一个title变量，随后将其返回。

    图7-8 运行结果

    注意，我们在这里定义的方法名称叫作main()。这个名称必须是固定的，Splash会默认调用这个方法。

    该方法的返回值既可以是字典形式，也可以是字符串形式，最后都会转化为Splash HTTP Response，例如：

    返回了一个字典形式的内容。例如：

    返回了一个字符串形式的内容。

    异步处理

    Splash支持异步处理，但是这里并没有显式指明回调方法，其回调的跳转是在Splash内部完成的。示例如下：

    运行结果是3个站点的截图，如图7-9所示。

    图7-9 运行结果

    在脚本内调用的wait()方法类似于Python中的sleep()，其参数为等待的秒数。当Splash执行到此方法时，它会转而去处理其他任务，然后在指定的时间过后再回来继续处理。

    这里值得注意的是，Lua脚本中的字符串拼接和Python不同，它使用的是..操作符，而不是+。如果有必要，可以简单了解一下Lua脚本的语法，详见http://www.runoob.com/lua/lua-basic-syntax.html。

    另外，这里做了加载时的异常检测。go()方法会返回加载页面的结果状态，如果页面出现4xx或5xx状态码，ok变量就为空，就不会返回加载后的图片。

    5. Splash对象属性

    我们注意到，前面例子中main()方法的第一个参数是splash，这个对象非常重要，它类似于Selenium中的WebDriver对象，我们可以调用它的一些属性和方法来控制加载过程。接下来，先看下它的属性。

    args

    该属性可以获取加载时配置的参数，比如URL，如果为GET请求，它还可以获取GET请求参数；如果为POST请求，它可以获取表单提交的数据。Splash也支持使用第二个参数直接作为args，例如：

    这里第二个参数args就相当于splash.args属性，以上代码等价于：

    js_enabled

    这个属性是Splash的JavaScript执行开关，可以将其配置为true或false来控制是否执行JavaScript代码，默认为true。例如，这里禁止执行JavaScript代码：

    接着我们重新调用了evaljs()方法执行JavaScript代码，此时运行结果就会抛出异常：

    不过一般来说，不用设置此属性，默认开启即可。

    resource_timeout

    此属性可以设置加载的超时时间，单位是秒。如果设置为0或nil（类似Python中的None），代表不检测超时。示例如下：

    例如，这里将超时时间设置为0.1秒。如果在0.1秒之内没有得到响应，就会抛出异常，错误如下：

    此属性适合在网页加载速度较慢的情况下设置。如果超过了某个时间无响应，则直接抛出异常并忽略即可。

    images_enabled

    此属性可以设置图片是否加载，默认情况下是加载的。禁用该属性后，可以节省网络流量并提高网页加载速度。但是需要注意的是，禁用图片加载可能会影响JavaScript渲染。因为禁用图片之后，它的外层DOM节点的高度会受影响，进而影响DOM节点的位置。因此，如果JavaScript对图片节点有操作的话，其执行就会受到影响。

    另外值得注意的是，Splash使用了缓存。如果一开始加载出来了网页图片，然后禁用了图片加载，再重新加载页面，之前加载好的图片可能还会显示出来，这时直接重启Splash即可。

    禁用图片加载的示例如下：

    这样返回的页面截图就不会带有任何图片，加载速度也会快很多。

    plugins_enabled

    此属性可以控制浏览器插件（如Flash插件）是否开启。默认情况下，此属性是false，表示不开启。可以使用如下代码控制其开启和关闭：

    scroll_position

    通过设置此属性，我们可以控制页面上下或左右滚动。这是一个比较常用的属性，示例如下：

    这样我们就可以控制页面向下滚动400像素值，结果如图7-10所示。

    图7-10 运行结果

    如果要让页面左右滚动，可以传入x参数，代码如下：

    6. Splash对象的方法

    除了前面介绍的属性外，Splash对象还有如下方法。

    go()

    该方法用来请求某个链接，而且它可以模拟GET和POST请求，同时支持传入请求头、表单等数据，其用法如下：

    其参数说明如下。

    • url：请求的URL。
    • baseurl：可选参数，默认为空，表示资源加载相对路径。
    • headers：可选参数，默认为空，表示请求头。
    • http_method：可选参数，默认为GET，同时支持POST。
    • body：可选参数，默认为空，发POST请求时的表单数据，使用的Content-type为application/json。
    • formdata：可选参数，默认为空，POST的时候的表单数据，使用的Content-type为application/x-www-form-urlencoded。

    该方法的返回结果是结果ok和原因reason的组合，如果ok为空，代表网页加载出现了错误，此时reason变量中包含了错误的原因，否则证明页面加载成功。示例如下：

    这里我们模拟了一个POST请求，并传入了POST的表单数据，如果成功，则返回页面的源代码。

    运行结果如下：

    可以看到，我们成功实现了POST请求并发送了表单数据。

    wait()

    此方法可以控制页面的等待时间，使用方法如下：

    参数说明如下。

    • time：等待的秒数。
    • cancel_on_redirect：可选参数，默认为false，表示如果发生了重定向就停止等待，并返回重定向结果。
    • cancel_on_error：可选参数，默认为false，表示如果发生了加载错误，就停止等待。

    返回结果同样是结果ok和原因reason的组合。

    我们用一个实例感受一下：

    这可以实现访问淘宝并等待2秒，随后返回页面源代码的功能。

    jsfunc()

    此方法可以直接调用JavaScript定义的方法，但是所调用的方法需要用双中括号包围，这相当于实现了JavaScript方法到Lua脚本的转换。示例如下：

    运行结果如下：

    首先，我们声明了一个JavaScript定义的方法，然后在页面加载成功后调用了此方法计算出了页面中div节点的个数。

    关于JavaScript到Lua脚本的更多转换细节，可以参考官方文档：https://splash.readthedocs.io/en/stable/scripting-ref.html#splash-jsfunc。

    evaljs()

    此方法可以执行JavaScript代码并返回最后一条JavaScript语句的返回结果，使用方法如下：

    比如，可以用下面的代码来获取页面标题：

    runjs()

    此方法可以执行JavaScript代码，它与evaljs()的功能类似，但是更偏向于执行某些动作或声明某些方法。例如：

    这里我们用runjs()先声明了一个JavaScript定义的方法，然后通过evaljs()来调用得到的结果。

    运行结果如下：

    autoload()

    此方法可以设置每个页面访问时自动加载的对象，使用方法如下：

    参数说明如下。

    • source_or_url：JavaScript代码或者JavaScript库链接。
    • source：JavaScript代码。
    • url：JavaScript库链接

    但是此方法只负责加载JavaScript代码或库，不执行任何操作。如果要执行操作，可以调用evaljs()或runjs()方法。示例如下：

    这里我们调用autoload()方法声明了一个JavaScript方法，然后通过evaljs()方法来执行此JavaScript方法。

    运行结果如下：

    另外，我们也可以使用autoload()方法加载某些方法库，如jQuery，示例如下：

    运行结果如下：

    call_later()

    此方法可以通过设置定时任务和延迟时间来实现任务延时执行，并且可以在执行前通过cancel()方法重新执行定时任务。示例如下：

    这里我们设置了一个定时任务，0.2秒的时候获取网页截图，然后等待1秒，1.2秒时再次获取网页截图，访问的页面是淘宝，最后将截图结果返回。运行结果如图7-11所示。

    图7-11 运行结果

    可以发现，第一次截图时网页还没有加载出来，截图为空，第二次网页便加载成功了。

    http_get()

    此方法可以模拟发送HTTP的GET请求，使用方法如下：

    参数说明如下。

    • url：请求URL。
    • headers：可选参数，默认为空，请求头。
    • follow_redirects：可选参数，表示是否启动自动重定向，默认为true。

    示例如下：

    运行结果如下：

    http_post()

    和http_get()方法类似，此方法用来模拟发送POST请求，不过多了一个参数body，使用方法如下：

    参数说明如下。

    • url：请求URL。
    • headers：可选参数，默认为空，请求头。
    • follow_redirects：可选参数，表示是否启动自动重定向，默认为true。
    • body：可选参数，即表单数据，默认为空。

    我们用实例感受一下：

    运行结果如下：

    可以看到，这里我们成功模拟提交了POST请求并发送了表单数据。

    set_content()

    此方法用来设置页面的内容，示例如下：

    运行结果如图7-12所示。

    图7-12 运行结果

    html()

    此方法用来获取网页的源代码，它是非常简单又常用的方法。示例如下：

    运行结果如下：

    png()

    此方法用来获取PNG格式的网页截图，示例如下：

    jpeg()

    此方法用来获取JPEG格式的网页截图，示例如下：

    har()

    此方法用来获取页面加载过程描述，示例如下：

    运行结果如图7-13所示，其中显示了页面加载过程中每个请求记录的详情。

    图7-13 运行结果

    url()

    此方法可以获取当前正在访问的URL，示例如下：

    运行结果如下：

    get_cookies()

    此方法可以获取当前页面的Cookies，示例如下：

    运行结果如下：

    add_cookie()

    此方法可以为当前页面添加Cookie，用法如下：

    该方法的各个参数代表Cookie的各个属性。

    示例如下：

    clear_cookies()

    此方法可以清除所有的Cookies，示例如下：

    这里我们清除了所有的Cookies，然后调用get_cookies()将结果返回。

    运行结果如下：

    可以看到，Cookies被全部清空，没有任何结果。

    get_viewport_size()

    此方法可以获取当前浏览器页面的大小，即宽高，示例如下：

    运行结果如下：

    set_viewport_size()

    此方法可以设置当前浏览器页面的大小，即宽高，用法如下：

    例如，这里访问一个宽度自适应的页面：

    运行结果如图7-14所示。

    图7-14 运行结果

    set_viewport_full()

    此方法可以设置浏览器全屏显示，示例如下：

    set_user_agent()

    此方法可以设置浏览器的User-Agent，示例如下：

    这里我们将浏览器的User-Agent设置为Splash，运行结果如下：

    可以看到，此处User-Agent被成功设置。

    set_custom_headers()

    此方法可以设置请求头，示例如下：

    这里我们设置了请求头中的User-Agent和Site属性，运行结果如下：

    select()

    该方法可以选中符合条件的第一个节点，如果有多个节点符合条件，则只会返回一个，其参数是CSS选择器。示例如下：

    这里我们首先访问了百度，然后选中了搜索框，随后调用了send_text()方法填写了文本，然后返回网页截图。

    结果如图7-15所示，可以看到，我们成功填写了输入框。

    图7-15 运行结果

    select_all()

    此方法可以选中所有符合条件的节点，其参数是CSS选择器。示例如下：

    这里我们通过CSS选择器选中了节点的正文内容，随后遍历了所有节点，将其中的文本获取下来。

    运行结果如下：

    可以发现，我们成功地将10个节点的正文内容获取了下来。

    mouse_click()

    此方法可以模拟鼠标点击操作，传入的参数为坐标值x和y。此外，也可以直接选中某个节点，然后调用此方法，示例如下：

    这里我们首先选中页面的输入框，输入了文本，然后选中“提交”按钮，调用了mouse_click()方法提交查询，然后页面等待三秒，返回截图，结果如图7-16所示。

    图7-16 运行结果

    可以看到，这里我们成功获取了查询后的页面内容，模拟了百度搜索操作。

    前面介绍了Splash的常用API操作，还有一些API在这不再一一介绍，更加详细和权威的说明可以参见官方文档https://splash.readthedocs.io/en/stable/scripting-ref.html，此页面介绍了Splash对象的所有API操作。另外，还有针对页面元素的API操作，链接为https://splash.readthedocs.io/en/stable/scripting-element-object.html。

    7. Splash API调用

    前面说明了Splash Lua脚本的用法，但这些脚本是在Splash页面中测试运行的，如何才能利用Splash渲染页面呢？怎样才能和Python程序结合使用并抓取JavaScript渲染的页面呢？

    其实Splash给我们提供了一些HTTP API接口，我们只需要请求这些接口并传递相应的参数即可，下面简要介绍这些接口。

    render.html

    此接口用于获取JavaScript渲染的页面的HTML代码，接口地址就是Splash的运行地址加此接口名称，例如http://localhost:8050/render.html。可以用curl来测试一下：

    我们给此接口传递了一个url参数来指定渲染的URL，返回结果即页面渲染后的源代码。

    如果用Python实现的话，代码如下：

    这样就可以成功输出百度页面渲染后的源代码了。

    另外，此接口还可以指定其他参数，比如通过wait指定等待秒数。如果要确保页面完全加载出来，可以增加等待时间，例如：

    此时得到响应的时间就会相应变长，比如这里会等待5秒多钟才能获取淘宝页面的源代码。

    另外，此接口还支持代理设置、图片加载设置、Headers设置、请求方法设置，具体的用法可以参见官方文档https://splash.readthedocs.io/en/stable/api.html#render-html。

    render.png

    此接口可以获取网页截图，其参数比render.html多了几个，比如通过width和height来控制宽高，它返回的是PNG格式的图片二进制数据。示例如下：

    这里我们传入了width和height来设置页面大小为1000×700像素。

    如果用Python实现，可以将返回的二进制数据保存为PNG格式的图片，具体如下：

    得到的图片如图7-17所示。

    图7-17 运行结果

    这样我们就成功获取了京东首页渲染完成后的页面截图，详细的参数设置可以参考官网文档https://splash.readthedocs.io/en/stable/api.html#render-png。

    render.jpeg

    此接口和render.png类似，不过它返回的是JPEG格式的图片二进制数据。

    另外，此接口比render.png多了参数quality，它用来设置图片质量。

    render.har

    此接口用于获取页面加载的HAR数据，示例如下：

    它的返回结果（如图7-18所示）非常多，是一个JSON格式的数据，其中包含页面加载过程中的HAR数据。

    图7-18 运行结果

    render.json

    此接口包含了前面接口的所有功能，返回结果是JSON格式，示例如下：

    结果如下：

    可以看到，这里以JSON形式返回了相应的请求数据。

    我们可以通过传入不同参数控制其返回结果。比如，传入html=1，返回结果即会增加源代码数据；传入png=1，返回结果即会增加页面PNG截图数据；传入har=1，则会获得页面HAR数据。例如：

    这样返回的JSON结果会包含网页源代码和HAR数据。

    此外还有更多参数设置，具体可以参考官方文档：https://splash.readthedocs.io/en/stable/api.html#render-json。

    execute

    此接口才是最为强大的接口。前面说了很多Splash Lua脚本的操作，用此接口便可实现与Lua脚本的对接。

    前面的render.html和render.png等接口对于一般的JavaScript渲染页面是足够了，但是如果要实现一些交互操作的话，它们还是无能为力，这里就需要使用execute接口了。

    我们先实现一个最简单的脚本，直接返回数据：

    然后将此脚本转化为URL编码后的字符串，拼接到execute接口后面，示例如下：

    运行结果如下：

    这里我们通过lua_source参数传递了转码后的Lua脚本，通过execute接口获取了最终脚本的执行结果。

    这里我们更加关心的肯定是如何用Python来实现，上例用Python实现的话，代码如下：

    运行结果如下：

    这里我们用Python中的三引号将Lua脚本包括起来，然后用urllib.parse模块里的quote()方法将脚本进行URL转码，随后构造了Splash请求URL，将其作为lua_source参数传递，这样运行结果就会显示Lua脚本执行后的结果。

    我们再通过实例看一下：

    运行结果如下：

    可以看到，返回结果是JSON形式，我们成功获取了请求的URL、状态码和网页源代码。

    如此一来，我们之前所说的Lua脚本均可以用此方式与Python进行对接，所有网页的动态渲染、模拟点击、表单提交、页面滑动、延时等待后的一些结果均可以自由控制，获取页面源码和截图也都不在话下。

    到现在为止，我们可以用Python和Splash实现JavaScript渲染的页面的抓取了。除了Selenium，本节所说的Splash同样可以做到非常强大的渲染功能，同时它也不需要浏览器即可渲染，使用非常方便。
  • 相关阅读:
    代码操作
    购物车
    利息计算器
    生成海报
    知识库
    JavaScript处理字符串--参照W3C
    C#输入排序-冒泡
    enum举例
    C# 表达式计算器----数据结构
    C# 测试单词的完美度
  • 原文地址：https://www.cnblogs.com/palace/p/9628372.html
Copyright © 2020-2023  润新知