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类的用法实例浅析
May 27 Python
如何使用七牛Python SDK写一个同步脚本及使用教程
Aug 23 Python
python 创建弹出式菜单的实现代码
Jul 11 Python
windows10下python3.5 pip3安装图文教程
Apr 02 Python
详解python中的装饰器
Jul 10 Python
简单了解python协程的相关知识
Aug 31 Python
python时间与Unix时间戳相互转换方法详解
Feb 13 Python
python通过对字典的排序,对json字段进行排序的实例
Feb 27 Python
200行python代码实现贪吃蛇游戏
Apr 24 Python
Python基于smtplib模块发送邮件代码实例
May 29 Python
python根据字典的键来删除元素的方法
Aug 16 Python
使用python求解迷宫问题的三种实现方法
Mar 17 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
PHP+MySQL 手工注入语句大全 推荐
2009/10/30 PHP
php更改目录及子目录下所有的文件后缀扩展名的代码
2010/10/12 PHP
详谈PHP文件目录基础操作
2014/11/11 PHP
PHP框架laravel的.env文件配置教程
2017/06/07 PHP
PHP DB 数据库连接类定义与用法示例
2019/03/11 PHP
如何做到打开一个页面,过几分钟自动转到另一页面
2007/04/20 Javascript
js鼠标及对象坐标控制属性详细解析
2013/12/14 Javascript
JS删除字符串中重复字符方法
2014/03/09 Javascript
js换图片效果可进行定时操作
2014/06/09 Javascript
JavaScript选取(picking)和反选(rejecting)对象的属性方法
2017/08/16 Javascript
详解React native fetch遇到的坑
2018/08/30 Javascript
jQuery实现动态生成年月日级联下拉列表示例
2019/05/11 jQuery
详解在vue-cli3.0中自定css、js和图片的打包路径
2019/08/26 Javascript
解决layUI的页面显示不全的问题
2019/09/20 Javascript
html2canvas属性和使用方法以及如何使用html2canvas将HTML内容写入Canvas生成图片
2020/01/12 Javascript
JS实现滑动插件
2020/01/15 Javascript
Vue父组件向子组件传值以及data和props的区别详解
2020/03/02 Javascript
vue3.0中使用element的完整步骤
2021/03/04 Vue.js
[13:38]2015国际邀请赛中国战队出征仪式
2015/05/29 DOTA
介绍Python中内置的itertools模块
2015/04/29 Python
给你选择Python语言实现机器学习算法的三大理由
2017/11/15 Python
Python面向对象程序设计示例小结
2019/01/30 Python
Django利用cookie保存用户登录信息的简单实现方法
2019/05/27 Python
Python操作MySQL数据库实例详解【安装、连接、增删改查等】
2020/01/17 Python
Python Switch Case三种实现方法代码实例
2020/06/18 Python
Python 字符串池化的前提
2020/07/03 Python
旧时光糖果:Old Time Candy
2018/02/05 全球购物
教师自我剖析材料
2014/09/29 职场文书
2014年工程师工作总结
2014/11/25 职场文书
2015财务年度工作总结范文
2015/05/04 职场文书
2015财务年终工作总结范文
2015/05/22 职场文书
2016年社会管理综治宣传月活动总结
2016/03/16 职场文书
创业计划书之闲置物品置换中心
2019/12/25 职场文书
vue中data改变后让视图同步更新的方法
2021/03/29 Vue.js
Go timer如何调度
2021/06/09 Golang