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编程实现数学运算求一元二次方程的实根算法示例
Apr 02 Python
python利用urllib和urllib2访问http的GET/POST详解
Sep 27 Python
python用pandas数据加载、存储与文件格式的实例
Dec 07 Python
python实现微信机器人: 登录微信、消息接收、自动回复功能
Apr 29 Python
Python字符串对象实现原理详解
Jul 01 Python
python写入文件自动换行问题的方法
Jul 05 Python
Django实现CAS+OAuth2的方法示例
Oct 30 Python
Python autoescape标签用法解析
Jan 17 Python
python 实现字符串下标的输出功能
Feb 13 Python
python中altair可视化库实例用法
Jan 26 Python
python 基于pygame实现俄罗斯方块
Mar 02 Python
Python Pygame实战在打砖块游戏的实现
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
PHP4.04简明安装
2006/10/09 PHP
php数组函数序列之array_pop() - 删除数组中的最后一个元素
2011/11/07 PHP
PHP中substr函数字符串截取用法分析
2016/01/07 PHP
学习YUI.Ext基础第一天
2007/03/10 Javascript
JMenuTab简单使用说明
2008/03/13 Javascript
javascript中的作用域scope介绍
2010/12/28 Javascript
jQuery实现精美的多级下拉菜单特效
2015/03/14 Javascript
js实现文本框只允许输入数字并限制数字大小的方法
2015/08/19 Javascript
浅析C/C++,Java,PHP,JavaScript,Json数组、对象赋值时最后一个元素后面是否可以带逗号
2016/03/22 Javascript
jquery遍历table的tr获取td的值实现方法
2016/05/19 Javascript
JSON与String互转的实现方法(Javascript)
2016/09/27 Javascript
深入研究jQuery图片懒加载 lazyload.js使用方法
2017/08/16 jQuery
如何利用vue+vue-router+elementUI实现简易通讯录
2019/05/13 Javascript
vue使用axios实现excel文件下载的功能
2020/07/16 Javascript
Python三元运算实现方法
2015/01/12 Python
将Emacs打造成强大的Python代码编辑工具
2015/11/20 Python
Python3学习笔记之列表方法示例详解
2017/10/06 Python
Python排序搜索基本算法之堆排序实例详解
2017/12/08 Python
python的concat等多种用法详解
2018/11/28 Python
python列表list保留顺序去重的实例
2018/12/14 Python
python3 property装饰器实现原理与用法示例
2019/05/15 Python
Tensorflow 定义变量,函数,数值计算等名字的更新方式
2020/02/10 Python
Python ArgumentParse的subparser用法说明
2020/04/20 Python
python list的index()和find()的实现
2020/11/16 Python
HTC VIVE美国官网:VR虚拟现实眼镜
2018/02/13 全球购物
英国领先的在线礼品店:Getting Personal
2019/09/24 全球购物
linux下进程间通信的方式
2014/12/23 面试题
应届生高等护理求职信
2013/10/12 职场文书
医学生自我鉴定范文
2013/11/08 职场文书
大学生个人实习的自我评价
2014/02/15 职场文书
基层党员公开承诺书
2014/05/29 职场文书
“5.12”护士节主持词
2015/07/04 职场文书
大学生受助感言
2015/08/01 职场文书
倡议书怎么写?
2019/04/11 职场文书
详解Android中的TimePickerView(时间选择器)的用法
2022/04/30 Java/Android
Python sklearn分类决策树方法详解
2022/09/23 Python