python3之Splash的具體使用
Splash是一個javascript渲染服務。它是一個帶有HTTP API的輕量級Web瀏覽器,使用Twisted和QT5在Python 3中實現。QT反應器用於使服務完全異步,允許通過QT主循環利用webkit並發。
一些Splash功能:
- 並行處理多個網頁
- 獲取HTML源代碼或截取屏幕截圖
- 關閉圖像或使用Adblock Plus規則使渲染更快
- 在頁面上下文中執行自定義JavaScript
- 可通過Lua腳本來控制頁面的渲染過程
- 在Splash-Jupyter 筆記本中開發Splash Lua腳本。
- 以HAR格式獲取詳細的渲染信息
1、Scrapy-Splash的安裝
Scrapy-Splash的安裝分為兩部分,一個是Splash服務的安裝,具體通過Docker來安裝服務,運行服務會啟動一個Splash服務,通過它的接口來實現JavaScript頁面的加載;另外一個是Scrapy-Splash的Python庫的安裝,安裝後就可在Scrapy中使用Splash服務瞭,下面我們分三部份來安裝:
(1)安裝Docker
#安裝所需要的包: yum install -y yum-utils device-mapper-persistent-data lvm2 #設置穩定存儲庫: yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo #開始安裝DOCKER CE: yum install docker-ce #啟動dockers: systemctl start docker #測試安裝是否正確: docker run hello-world
(2)安裝splash服務
通過Docker安裝Scrapinghub/splash鏡像,然後啟動容器,創建splash服務
docker pull scrapinghub/splash docker run -d -p 8050:8050 scrapinghub/splash #通過瀏覽器訪問8050端口驗證安裝是否成功
(3)Python包Scrapy-Splash安裝
pip3 install scrapy-splash
2、Splash Lua腳本
運行splash服務後,通過web頁面訪問服務的8050端口如:http://localhost:8050即可看到其web頁面,如下圖:
上面有個輸入框,默認是http://google.com,我們可以換成想要渲染的網頁如:https://www.baidu.com然後點擊Render me按鈕開始渲染,頁面返回結果包括渲染截圖、HAR加載統計數據、網頁源代碼:
從HAR中可以看到,Splash執行瞭整個頁面的渲染過程,包括CSS、JavaScript的加載等,通過返回結果可以看到它分別對應搜索框下面的腳本文件中return部分的三個返回值,html、png、har:
function main(splash, args) assert(splash:go(args.url)) assert(splash:wait(0.5)) return { html = splash:html(), png = splash:png(), har = splash:har(), } end
這個腳本是使用Lua語言寫的,它首先使用go()方法加載頁面,wait()方法等待加載時間,然後返回源碼、截圖和HAR信息。
現在我們修改下它的原腳本,訪問www.baidu.com,通過javascript腳本,讓它返回title,然後執行:
function main(splash, args) assert(splash:go("https://www.baidu.com")) assert(splash:wait(0.5)) local title = splash:evaljs("document.title") return { title = title } end #返回結果: Splash Response: Object title: "百度一下,你就知道"
由此可以確定Splash渲染頁面的過程是通過此入口腳本來實現的,那麼我們可以修改此腳本來滿足我們對抓取頁面的分析和結果返回,但此函數但名稱必須是main(),它返回的結果是一個字典形式也可以返回字符串形式的內容:
function main(splash) return { hello="world" } end #返回結果 Splash Response: Object hello: "world" function main(splash) return "world" end #返回結果 Splash Response: "world"
3、Splash對象的屬性與方法
在前面的例子中,main()方法的第一參數是splash,這個對象它類似於selenium中的WebDriver對象,可以調用它的屬性和方法來控制加載規程,下面介紹一些常用的屬性:
splash.args:該屬性可以獲取加載時陪在的參數,如URL,如果為GET請求,它可以獲取GET請求參數,如果為POST請求,它可以獲取表單提交的數據,splash.args可以使用函數的第二個可選參數args來進行訪問
function main(splash,args) local url = args.url end #上面的第二個參數args就相當於splash.args屬性,如下代碼與上面是等價的 function main(splash) local url=splash.args.url end
splash.js_enabled:啟用或者禁用頁面中嵌入的JavaScript代碼的執行,默認為true,啟用JavaScript執行
splash.resource_timeout:設置網絡請求的默認超時,以秒為單位,如設置為0或nil則表示無超時:splash.resource_timeout=nil
splash.images_enabled:啟用或禁用圖片加載,默認情況下是加載的:splash.images_enabled=true
splash.plugins_enabled:啟用或禁用瀏覽器插件,默認為禁止:splash.plugins_enabled=false
splash.scroll_position:獲取和設置主窗口的當前位置:splash.scroll_position={x=50,y=600}
function main(splash, args) assert(splash:go('https://www.toutiao.com')) splash.scroll_position={y=400} return { png = splash:png() } end #它會向下滾動400像素來獲取圖片
splash.html5_media_enabled:啟用或禁用HTML5媒體,包括HTML5視頻和音頻(例如<video>元素播放)
splash對象的方法:
splash:go() :該方法用來請求某個鏈接,而且它可以模擬GET和POST請求,同時支持傳入請求頭,表單等數據,用法如下:
ok, reason = splash:go{url, baseurl=nil, headers=nil, http_method="GET", body=nil, formdata=nil}
參數說明:url為請求的URL,baseurl為可選參數表示資源加載相對路徑,headers為可選參數,表示請求頭,http_method表示http請求方法的字符串默認為GET,body為使用POST時發送表單數據,使用的Content-type為application/json,formdata默認為空,POST請求時的表單數據,使用的Content-type為application/x-www-form-urlencoded
該方法返回結果是ok和reason的組合,如果ok為空則代表網頁加載錯誤,reason變量中會包含錯誤信息
function main(splash, args) local ok, reason = splash:go{"http://httpbin.org/post", http_method="POST", body="name=Germey"} if ok then return splash:html() end end
splash.wait() :控制頁面的等待時間
ok,reason=splash:wait{time,cancel_on_redirect=false,cancel_on_error=true}
tiem為等待的秒數,cancel_on_redirect表示發生重定向就停止等待,並返回重定向結果,默認為false,cancel_on_error默認為false,表示如果發生錯誤就停止等待
返回結果同樣是ok和reason的組合
function main(splash, args) splash:go("https://www.toutiao.com") local ok reason = splash:wait(1) return { ok=ok, reason=reason } end #返回true說明返回頁面成功
splash:jsfunc()
lua_func = splash:jsfunc(func)
此方法可以直接調用JavaScript定義的函數,但所調用的函數需要用雙中括號包圍,它相當於實現瞭JavaScript方法到Lua腳本到轉換,全局的JavaScript函數可以直接包裝
function main(splash, args) local get_div_count = splash:jsfunc([[ function () { var body = document.body; var divs = body.getElementsByTagName('div'); return divs.length; } ]]) splash:go("https://www.baidu.com") return ("There are %s DIVs"):format( get_div_count()) end # Splash Response: "There are 21 DIVs"
splash.evaljs() :在頁面上下文中執行JavaScript代碼段並返回最後一個語句的結果
local title = splash:evaljs("document.title") #返回頁面標題
splash:runjs() :在頁面上下文中運行JavaScript代碼,同evaljs差不多,但它更偏向於執行某些動作或聲明函數
function main(splash, args) splash:go("https://www.baidu.com") splash:runjs("foo = function() { return 'bar' }") local result = splash:evaljs("foo()") return result end
splash:autoload() :將JavaScript設置為在每個頁面加載時自動加載
ok,reason=splash:autoload{source_or_url,source=nil,url=nil}
參數:
- source_or_url – 包含JavaScript源代碼的字符串或用於加載JavaScript代碼的URL;s
- ource – 包含JavaScript源代碼的字符串;
- url – 從中加載JavaScript源代碼的URL
此方法隻加載JavaScript代碼或庫,不執行操作,如果要執行操作可以調用evaljs()或runjs()方法
function main(splash, args) splash:autoload([[ function get_document_title(){ return document.title; } ]]) splash:go("https://www.baidu.com") return splash:evaljs("get_document_title()") end #加載JS庫文件 function main(splash, args) assert(splash:autoload("https://code.jquery.com/jquery-2.1.3.min.js")) assert(splash:go("https://www.taobao.com")) local version = splash:evaljs("$.fn.jquery") return 'JQuery version: ' .. version end
splash:call_later :通過設置定時任務和延遲時間來實現任務延時執行
timer=splash:call_later(callback,delay) :callback運行的函數,delay延遲時間
function main(splash, args) local snapshots = {} local timer = splash:call_later(function() snapshots["a"] = splash:png() splash.scroll_position={y=500} splash:wait(1.0) snapshots["b"] = splash:png() end, 2) splash:go("https://www.toutiao.com") splash:wait(3.0) return snapshots end #等待2秒後執行截圖然後再等待3秒後執行截圖
splash:http_get() :發送HTTP GET請求並返回相應
response=splash:http_get{url,headers=nil,follow_redirects=true} :url要加載的URL,headers添加HTTP頭,follw_redirects是否啟動自動重定向默認為true
local reply = splash:http_get("http://example.com") #返回一個響應對象,不會講結果返回到瀏覽器
splash:http_post :發送POST請求
response = splash:http_post{url, headers=nil, follow_redirects=true, body=nil}
dody指定表單數據
function main(splash, args) local treat = require("treat") local json = require("json") local response = splash:http_post{"http://httpbin.org/post", body=json.encode({name="Germey"}), headers={["content-type"]="application/json"} } return { html=treat.as_string(response.body), url=response.url, status=response.status } end # html:{"args":{},"data":"{\"name\": \"Germey\"}","files":{},"form":{},"headers":{"Accept-Encoding":"gzip, deflate","Accept-Language":"en,*","Connection":"close","Content-Length":"18","Content-Type":"application/json","Host":"httpbin.org","User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/602.1 (KHTML, like Gecko) splash Version/9.0 Safari/602.1"},"json":{"name":"Germey"},"origin":"221.218.181.223","url":"http://httpbin.org/post"} status: 200 url: http://httpbin.org/post
splash:set_content() :設置當前頁面的內容
ok,reason=splash:set_content{data,mime_type=”text/html;charset=utf-8″,baseurl=””}
function main(splash) assert(splash:set_content("<html><body><h1>hello</h1></body></html>")) return splash:png() end
splash:html() :獲取網頁的源代碼,結果為字符串
function main(splash, args) splash:go("https://httpbin.org/get") return splash:html() end
splash:png() :獲取PNG格式的網頁截圖
splash:jpeg() :獲取JPEG格式的網頁截圖
splash:har() :獲取頁面加載過程描述
splash:url() :獲取當前正在訪問的URL
splash:get_cookies() :獲取當前頁面的cookies
splash:add_cookie() :為當前頁面添加cookie
function main(splash) splash:add_cookie{"sessionid", "237465ghgfsd", "/", domain="http://example.com"} splash:go("http://example.com/") return splash:get_cookies() end # Splash Response: Array[1] 0: Object domain: "http://example.com" httpOnly: false name: "sessionid" path: "/" secure: false value: "237465ghgfsd"
splash:clear_cookies() :清除所有的cookies
splash:delete_cookies{name=nil,url=nil} 刪除指定的cookie
splash:get_viewport_size() :獲取當前瀏覽器頁面的大小,即寬高
splash:set_viewport_size(width,height) :設置當前瀏覽器頁面的大小,即寬高
splash:set_viewport_full() :設置瀏覽器全屏顯示
splash:set_user_agent() :覆蓋設置請求頭的User-Agent
splash:get_custom_headers(headers) :設置請求頭
function main(splash) splash:set_custom_headers({ ["User-Agent"] = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36", ["Site"] = "httpbin.org", }) splash:go("http://httpbin.org/get") return splash:html() end
splash:on_request(callback) :在HTTP請求之前註冊要調用的函數
splash:get_version() :獲取splash版本信息
splash:mouse_press() :觸發鼠標按下事件
splash:mouse_release() :觸發鼠標釋放事件
splash:send_keys() :發送鍵盤事件到頁面上下文,如發送回車鍵:splash:send_keys(“key_Enter”)
splash:send_text() :將文本內容發送到頁面上下文
splash:select() :選中符合條件的第一個節點,如果有多個節點符合條件,則隻會返回一個,其參數是CSS選擇器
function main(splash) splash:go("https://www.baidu.com/") input = splash:select("#kw") input:send_text('Splash') splash:wait(3) return splash:png() end
splash:select_all() :選中所有符合條件的節點,其參數是CSS選擇器
function main(splash) local treat = require('treat') assert(splash:go("https://www.zhihu.com")) assert(splash:wait(1)) local texts = splash:select_all('.ContentLayout-mainColumn .ContentItem-title') local results = {} for index, text in ipairs(texts) do results[index] = text.node.textContent end return treat.as_array(results) end #返回所有節點下的文本內容
splash:mouse_click() :出發鼠標單擊事件
function main(splash) splash:go("https://www.baidu.com/") input = splash:select("#kw") input:send_text('Splash') submit = splash:select('#su') submit:mouse_click() splash:wait(3) return splash:png() end
其他splash scripts的屬性與方法請參考官方文檔:http://splash.readthedocs.io/en/latest/scripting-ref.html
4、響應對象
響應對象是由splash方法返回的回調信息,如splash:http_get()或splash:http_post(),會被傳遞給回調splash:on_response和splash:on_response_headers,它們包括的響應信息:
response.url:響應的URL
response.status:響應的HTTP狀態碼
response.ok:成功返回true否則返回false
response.headers:返回HTTP頭信息
response.info:具有HAR響應格式的響應數據表
response.body:返回原始響應主體信息為二進制對象,需要使用treat.as_string轉換為字符串
resonse.request:響應的請求對象
response.abort:終止響應
5、元素對象
元素對象包裝JavaScript DOM節點,創建某個方法返回任何類型的DOM節點,如Node,Element,HTMLElement等,splash:select和splash:select_all將返回元素對象
element:mouse_click() 出發元素上的鼠標單擊事件
element:mouse_hover()在元素上觸發鼠標懸停事件
elemnet:styles() 返回元素的計算樣式
element:bounds() 返回元素的邊界客戶端矩形
element:png()以PNG格式返回元素的屏幕截圖
element:jpeg() 以JPEG格式返回元素的屏幕截圖
element:visible() 檢查元素是否可見
element:focused() 檢查元素是否具有焦點
element:text() 從元素中獲取文本信息
element:info() 獲取元素的詳細信息
element:field_value() 獲取field元素的值,如input,select,textarea,button
element:form_values(values=’auto’/’list’/’first’) 如果元素類型是表單,則返回帶有表單的表,返回類型有三種格式
element:fill(values) 使用提供的值填寫表單
element:send_keys(keys) 將鍵盤事件發送到元素,如發送回車send_keys(‘key_Enter’),其他鍵請參考:http://doc.qt.io/qt-5/qt.html
element:send_text() 發送字符串到元素
element:submit()提交表單元素
element:exists()檢查DOM中元素是否存在
element屬性:
element.node 它具有所有公開的元素DOM方法和屬性,但不包括splash定義的方法和屬性
element.inner_id 表示元素ID
外部繼承的支持的DOM屬性:(有一些是隻讀的)
從HTMLElement繼承的屬性:
- accessKey
- accessKeyLabel (read-only)
- contentEditable
- isContentEditable (read-only)
- dataset (read-only)
- dir
- draggable
- hidden
- lang
- offsetHeight (read-only)
- offsetLeft (read-only)
- offsetParent (read-only)
- offsetTop (read-only)
- spellcheck
- style – a table with styles which can be modified
- tabIndex
- title
- translate
從Element繼承的屬性:
- attributes (read-only) – a table with attributes of the element
- classList (read-only) – a table with class names of the element
- className
- clientHeight (read-only)
- clientLeft (read-only)
- clientTop (read-only)
- clientWidth (read-only)
- id
- innerHTML
- localeName (read-only)
- namespaceURI (read-only)
- nextElementSibling (read-only)
- outerHTML
- prefix (read-only)
- previousElementSibling (read-only)
- scrollHeight (read-only)
- scrollLeft
- scrollTop
- scrollWidth (read-only)
- tabStop
- tagName (read-only)
從Node繼承的屬性:
- baseURI (read-only)
- childNodes (read-only)
- firstChild (read-only)
- lastChild (read-only)
- nextSibling (read-only)
- nodeName (read-only)
- nodeType (read-only)
- nodeValue
- ownerDocument (read-only)
- parentNode (read-only)
- parentElement (read-only)
- previousSibling (read-only)
- rootNode (read-only)
- textContent
6、Splash HTTP API調用
Splash通過HTTP API控制來發送GET請求或POST表單數據,它提供瞭這些接口,隻需要在請求時傳遞相應的參數即可獲得不同的內容,下面來介紹下這些接口
(1)render.html 它返回JavaScript渲染頁面的HTML代碼
參數:
url:要渲染的網址,str類型
baseurl:用於呈現頁面的基本URL
timeout:渲染的超時時間默認為30秒
resource_timeout:單個網絡請求的超時時間
wait:加載頁面後等待更新的時間默認為0
proxy:代理配置文件名稱或代理URL,格式為:[protocol://][user:password@]proxyhost[:port])
js:JavaScript配置
js_source:在頁面中執行的JavaScript代碼
filtrs:以逗號分隔的請求過濾器名稱列表
allowed_domains:允許的域名列表
images:為1時下載圖像,為0時不下載圖像,默認為1
headers:設置的HTTP標頭,JSON數組
body:發送POST請求的數據
http_method:HTTP方法,默認為GET
html5_media:是否啟用HTML5媒體,值為1啟用,0為禁用,默認為0
import requests url='http://172.16.32.136:8050/' response=requests.get(url+'render.html?url=https://www.baidu.com&wait=3&images=0') print(response.text) #返回網頁源代碼
(2)render.png 此接口獲取網頁的截圖PNG格式
import requests url='http://172.16.32.136:8050/' #指定圖像寬和高 response=requests.get(url+'render.png?url=https://www.taobao.com&wait=5&width=1000&height=700&render_all=1') with open('taobao.png','wb') as f: f.write(response.content)
(3)render.jpeg 返回JPEG格式截圖
import requests url='http://172.16.32.136:8050/' response=requests.get(url+'render.jpeg?url=https://www.taobao.com&wait=5&width=1000&height=700&render_all=1') with open('taobao.jpeg','wb') as f: f.write(response.content)
(4)render.har 此接口用於獲取頁面加載的HAR數據
import requests url='http://172.16.32.136:8050/' response=requests.get(url+'render.har?url=https://www.jd.com&wait=5') print(response.text)
(5)render.json 此接口包含瞭前面接口的所有功能,返回結果是JSON格式
參數:
html:是否在輸出中包含HTML,html=1時包含html內容,為0時不包含,默認為0
png:是否包含PNG截圖,為1包含為0不包含默認為0
jpeg:是否包含JPEG截圖,為1包含為0不包含默認為0
iframes:是否在輸出中包含子幀的信息,默認為0
script:是否輸出包含執行的JavaScript語句的結果
console:是否輸出中包含已執行的JavaScript控制臺消息
history:是否包含網頁主框架的請求與響應的歷史記錄
har:是否輸出中包含HAR信息
import requests url='http://172.16.32.136:8050/' response=requests.get(url+'render.json?url=https://httpbin.org&html=1&png=1&history=1&har=1') print(response.text)
(6)execute 用此接口可以實現與Lua腳本的對接,它可以實現與頁面的交互操作
參數:
lua_source:Lua腳本文件
timeout:設置超時
allowed_domains:指定允許的域名列表
proxy:指定代理
filters:指定篩選條件
import requests from urllib.parse import quote lua=''' function main(splash) return 'hello' end ''' url='http://172.16.32.136:8050/execute?lua_source='+quote(lua) response=requests.get(url) print(response.text)
通過Lua腳本獲取頁面的body,url和狀態碼:
import requests from urllib.parse import quote lua=''' function main(splash,args) local treat=require("treat") local response=splash:http_get("http://httpbin.org/get") return { html=treat.as_string(response.body), url=response.url, status=response.status } end ''' url='http://172.16.32.136:8050/execute?lua_source='+quote(lua) response=requests.get(url) print(response.text) # {"status": 200, "html": "{\"args\":{},\"headers\":{\"Accept-Encoding\":\"gzip, deflate\",\"Accept-Language\":\"en,*\",\"Connection\":\"close\",\"Host\":\"httpbin.org\",\"User-Agent\":\"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/602.1 (KHTML, like Gecko) splash Version/9.0 Safari/602.1\"},\"origin\":\"221.218.181.223\",\"url\":\"http://httpbin.org/get\"}\n", "url": http://httpbin.org/get}
7、實例
抓取JD python書籍數據:
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/7/9 13:33 # @Author : Py.qi # @File : JD.py # @Software: PyCharm import re import requests import pymongo from pyquery import PyQuery as pq client=pymongo.MongoClient('localhost',port=27017) db=client['JD'] def page_parse(html): doc=pq(html,parser='html') items=doc('#J_goodsList .gl-item').items() for item in items: if item('.p-img img').attr('src'): image=item('.p-img img').attr('src') else: image=item('.p-img img').attr('data-lazy-img') texts={ 'image':'https:'+image, 'price':item('.p-price').text()[:6], 'title':re.sub('\n','',item('.p-name').text()), 'commit':item('.p-commit').text()[:-3], } yield texts def save_to_mongo(data): if db['jd_collection'].insert(data): print('保存到MongoDB成功',data) else: print('MongoDB存儲錯誤',data) def main(number): url='http://192.168.146.140:8050/render.html?url=https://search.jd.com/Search?keyword=python&page={}&wait=1&images=0'.format(number) response=requests.get(url) data=page_parse(response.text) for i in data: save_to_mongo(i) #print(i) if __name__ == '__main__': for number in range(1,200,2): print('開始抓取第{}頁'.format(number)) main(number)
更多內容請查看官方文檔:http://splash.readthedocs.io/en/stable/
到此這篇關於python3之Splash的具體使用的文章就介紹到這瞭,更多相關python3 Splash內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- scrapy爬蟲遇到js動態渲染問題
- Python爬蟲學習之requests的使用教程
- Python爬蟲之requests庫基本介紹
- 爬蟲進階-JS自動渲染之Scrapy_splash組件的使用
- python爬蟲之requests庫的使用詳解