[Python3網絡爬蟲開發實戰] 7.2-Splash的使用


Splash是一個JavaScript渲染服務,是一個帶有HTTP API的輕量級瀏覽器,同時它對接了Python中的Twisted和QT庫。利用它,我們同樣可以實現動態渲染頁面的抓取。

1. 功能介紹

利用Splash,我們可以實現如下功能:

  • 異步方式處理多個網頁渲染過程;
  • 獲取渲染后的頁面的源代碼或截圖;
  • 通過關閉圖片渲染或者使用Adblock規則來加快頁面渲染速度;
  • 可執行特定的JavaScript腳本;
  • 可通過Lua腳本來控制頁面渲染過程;
  • 獲取渲染的詳細過程並通過HAR(HTTP Archive)格式呈現。

接下來,我們來了解一下它的具體用法。

2. 准備工作

在開始之前,請確保已經正確安裝好了Splash並可以正常運行服務。如果沒有安裝,可以參考第1章。

3. 實例引入

首先,通過Splash提供的Web頁面來測試其渲染過程。例如,我們在本機8050端口上運行了Splash服務,打開http://localhost:8050/即可看到其Web頁面,如圖7-6所示。

圖7-6 Web頁面

在圖7-6右側,呈現的是一個渲染示例。可以看到,上方有一個輸入框,默認是http://google.com,這里換成百度測試一下,將內容更改為https://www.baidu.com,然后點擊Render me按鈕開始渲染,結果如圖7-7所示。

圖7-7 運行結果

可以看到,網頁的返回結果呈現了渲染截圖、HAR加載統計數據、網頁的源代碼。

通過HAR的結果可以看到,Splash執行了整個網頁的渲染過程,包括CSS、JavaScript的加載等過程,呈現的頁面和我們在瀏覽器中得到的結果完全一致。

那么,這個過程由什么來控制呢?重新返回首頁,可以看到實際上是有一段腳本,內容如下:

 

 

這個腳本實際上是用Lua語言寫的腳本。即使不懂這個語言的語法,但從腳本的表面意思,我們也可以大致了解到它首先調用go()方法去加載頁面,然后調用wait()方法等待了一定時間,最后返回了頁面的源碼、截圖和HAR信息。

到這里,我們大體了解了Splash是通過Lua腳本來控制了頁面的加載過程的,加載過程完全模擬瀏覽器,最后可返回各種格式的結果,如網頁源碼和截圖等。

接下來,我們就來了解Lua腳本的寫法以及相關API的用法。

4. Splash Lua腳本

Splash可以通過Lua腳本執行一系列渲染操作,這樣我們就可以用Splash來模擬類似Chrome、PhantomJS的操作了。

首先,我們來了解一下Splash Lua腳本的入口和執行方式。

入口及返回值

首先,來看一個基本實例:

 

 

我們將代碼粘貼到剛才打開的http://localhost:8050/的代碼編輯區域,然后點擊Render me!按鈕來測試一下。

我們看到它返回了網頁的標題,如圖7-8所示。這里我們通過evaljs()方法傳入JavaScript腳本,而document.title的執行結果就是返回網頁標題,執行完畢后將其賦值給一個title變量,隨后將其返回。

圖7-8 運行結果

注意,我們在這里定義的方法名稱叫作main()。這個名稱必須是固定的,Splash會默認調用這個方法。

該方法的返回值既可以是字典形式,也可以是字符串形式,最后都會轉化為Splash HTTP Response,例如:

 

 

返回了一個字典形式的內容。例如:

 

 

返回了一個字符串形式的內容。

異步處理

Splash支持異步處理,但是這里並沒有顯式指明回調方法,其回調的跳轉是在Splash內部完成的。示例如下:

 

 

運行結果是3個站點的截圖,如圖7-9所示。

圖7-9 運行結果

在腳本內調用的wait()方法類似於Python中的sleep(),其參數為等待的秒數。當Splash執行到此方法時,它會轉而去處理其他任務,然后在指定的時間過后再回來繼續處理。

這里值得注意的是,Lua腳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,可以簡單了解一下Lua腳本的語法,詳見http://www.runoob.com/lua/lua-basic-syntax.html

另外,這里做了加載時的異常檢測。go()方法會返回加載頁面的結果狀態,如果頁面出現4xx或5xx狀態碼,ok變量就為空,就不會返回加載后的圖片。

5. Splash對象屬性

我們注意到,前面例子中main()方法的第一個參數是splash,這個對象非常重要,它類似於Selenium中的WebDriver對象,我們可以調用它的一些屬性和方法來控制加載過程。接下來,先看下它的屬性。

args

該屬性可以獲取加載時配置的參數,比如URL,如果為GET請求,它還可以獲取GET請求參數;如果為POST請求,它可以獲取表單提交的數據。Splash也支持使用第二個參數直接作為args,例如:

 

 

這里第二個參數args就相當於splash.args屬性,以上代碼等價於:

 

 

js_enabled

這個屬性是Splash的JavaScript執行開關,可以將其配置為truefalse來控制是否執行JavaScript代碼,默認為true。例如,這里禁止執行JavaScript代碼:

 

 

接着我們重新調用了evaljs()方法執行JavaScript代碼,此時運行結果就會拋出異常:

 

 

不過一般來說,不用設置此屬性,默認開啟即可。

resource_timeout

此屬性可以設置加載的超時時間,單位是秒。如果設置為0或nil(類似Python中的None),代表不檢測超時。示例如下:

 

 

例如,這里將超時時間設置為0.1秒。如果在0.1秒之內沒有得到響應,就會拋出異常,錯誤如下:

 

 

此屬性適合在網頁加載速度較慢的情況下設置。如果超過了某個時間無響應,則直接拋出異常並忽略即可。

images_enabled

此屬性可以設置圖片是否加載,默認情況下是加載的。禁用該屬性后,可以節省網絡流量並提高網頁加載速度。但是需要注意的是,禁用圖片加載可能會影響JavaScript渲染。因為禁用圖片之后,它的外層DOM節點的高度會受影響,進而影響DOM節點的位置。因此,如果JavaScript對圖片節點有操作的話,其執行就會受到影響。

另外值得注意的是,Splash使用了緩存。如果一開始加載出來了網頁圖片,然后禁用了圖片加載,再重新加載頁面,之前加載好的圖片可能還會顯示出來,這時直接重啟Splash即可。

禁用圖片加載的示例如下:

 

 

這樣返回的頁面截圖就不會帶有任何圖片,加載速度也會快很多。

plugins_enabled

此屬性可以控制瀏覽器插件(如Flash插件)是否開啟。默認情況下,此屬性是false,表示不開啟。可以使用如下代碼控制其開啟和關閉:

 

 

scroll_position

通過設置此屬性,我們可以控制頁面上下或左右滾動。這是一個比較常用的屬性,示例如下:

 

 

這樣我們就可以控制頁面向下滾動400像素值,結果如圖7-10所示。

圖7-10 運行結果

如果要讓頁面左右滾動,可以傳入x參數,代碼如下:

 

 

6. Splash對象的方法

除了前面介紹的屬性外,Splash對象還有如下方法。

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,其用法如下:

 

 

其參數說明如下。

  • url:請求的URL。
  • baseurl:可選參數,默認為空,表示資源加載相對路徑。
  • headers:可選參數,默認為空,表示請求頭。
  • http_method:可選參數,默認為GET,同時支持POST
  • body:可選參數,默認為空,發POST請求時的表單數據,使用的Content-typeapplication/json
  • formdata:可選參數,默認為空,POST的時候的表單數據,使用的Content-typeapplication/x-www-form-urlencoded

該方法的返回結果是結果ok和原因reason的組合,如果ok為空,代表網頁加載出現了錯誤,此時reason變量中包含了錯誤的原因,否則證明頁面加載成功。示例如下:

 

 

這里我們模擬了一個POST請求,並傳入了POST的表單數據,如果成功,則返回頁面的源代碼。

運行結果如下:

 

 

可以看到,我們成功實現了POST請求並發送了表單數據。

wait()

此方法可以控制頁面的等待時間,使用方法如下:

 

 

參數說明如下。

  • time:等待的秒數。
  • cancel_on_redirect:可選參數,默認為false,表示如果發生了重定向就停止等待,並返回重定向結果。
  • cancel_on_error:可選參數,默認為false,表示如果發生了加載錯誤,就停止等待。

返回結果同樣是結果ok和原因reason的組合。

我們用一個實例感受一下:

 

 

這可以實現訪問淘寶並等待2秒,隨后返回頁面源代碼的功能。

jsfunc()

此方法可以直接調用JavaScript定義的方法,但是所調用的方法需要用雙中括號包圍,這相當於實現了JavaScript方法到Lua腳本的轉換。示例如下:

 

 

運行結果如下:

 

 

首先,我們聲明了一個JavaScript定義的方法,然后在頁面加載成功后調用了此方法計算出了頁面中div節點的個數。

關於JavaScript到Lua腳本的更多轉換細節,可以參考官方文檔:https://splash.readthedocs.io/en/stable/scripting-ref.html#splash-jsfunc

evaljs()

此方法可以執行JavaScript代碼並返回最后一條JavaScript語句的返回結果,使用方法如下:

 

 

比如,可以用下面的代碼來獲取頁面標題:

 

 

runjs()

此方法可以執行JavaScript代碼,它與evaljs()的功能類似,但是更偏向於執行某些動作或聲明某些方法。例如:

 

 

這里我們用runjs()先聲明了一個JavaScript定義的方法,然后通過evaljs()來調用得到的結果。

運行結果如下:

 

 

autoload()

此方法可以設置每個頁面訪問時自動加載的對象,使用方法如下:

 

 

參數說明如下。

  • source_or_url:JavaScript代碼或者JavaScript庫鏈接。
  • source:JavaScript代碼。
  • url:JavaScript庫鏈接

但是此方法只負責加載JavaScript代碼或庫,不執行任何操作。如果要執行操作,可以調用evaljs()runjs()方法。示例如下:

 

 

這里我們調用autoload()方法聲明了一個JavaScript方法,然后通過evaljs()方法來執行此JavaScript方法。

運行結果如下:

 

 

另外,我們也可以使用autoload()方法加載某些方法庫,如jQuery,示例如下:

 

 

運行結果如下:

 

 

call_later()

此方法可以通過設置定時任務和延遲時間來實現任務延時執行,並且可以在執行前通過cancel()方法重新執行定時任務。示例如下:

 

 

這里我們設置了一個定時任務,0.2秒的時候獲取網頁截圖,然后等待1秒,1.2秒時再次獲取網頁截圖,訪問的頁面是淘寶,最后將截圖結果返回。運行結果如圖7-11所示。

圖7-11 運行結果

可以發現,第一次截圖時網頁還沒有加載出來,截圖為空,第二次網頁便加載成功了。

http_get()

此方法可以模擬發送HTTP的GET請求,使用方法如下:

 

 

參數說明如下。

  • url:請求URL。
  • headers:可選參數,默認為空,請求頭。
  • follow_redirects:可選參數,表示是否啟動自動重定向,默認為true

示例如下:

 

 

運行結果如下:

 

 

http_post()

http_get()方法類似,此方法用來模擬發送POST請求,不過多了一個參數body,使用方法如下:

 

 

參數說明如下。

  • url:請求URL。
  • headers:可選參數,默認為空,請求頭。
  • follow_redirects:可選參數,表示是否啟動自動重定向,默認為true
  • body:可選參數,即表單數據,默認為空。

我們用實例感受一下:

 

 

運行結果如下:

 

 

可以看到,這里我們成功模擬提交了POST請求並發送了表單數據。

set_content()

此方法用來設置頁面的內容,示例如下:

 

 

運行結果如圖7-12所示。

圖7-12 運行結果

html()

此方法用來獲取網頁的源代碼,它是非常簡單又常用的方法。示例如下:

 

 

運行結果如下:

 

 

png()

此方法用來獲取PNG格式的網頁截圖,示例如下:

 

 

jpeg()

此方法用來獲取JPEG格式的網頁截圖,示例如下:

 

 

har()

此方法用來獲取頁面加載過程描述,示例如下:

 

 

運行結果如圖7-13所示,其中顯示了頁面加載過程中每個請求記錄的詳情。

圖7-13 運行結果

url()

此方法可以獲取當前正在訪問的URL,示例如下:

 

 

運行結果如下:

 

 

get_cookies()

此方法可以獲取當前頁面的Cookies,示例如下:

 

 

運行結果如下:

 

 

add_cookie()

此方法可以為當前頁面添加Cookie,用法如下:

 

 

該方法的各個參數代表Cookie的各個屬性。

示例如下:

 

 

clear_cookies()

此方法可以清除所有的Cookies,示例如下:

 

 

這里我們清除了所有的Cookies,然后調用get_cookies()將結果返回。

運行結果如下:

 

 

可以看到,Cookies被全部清空,沒有任何結果。

get_viewport_size()

此方法可以獲取當前瀏覽器頁面的大小,即寬高,示例如下:

 

 

運行結果如下:

 

 

set_viewport_size()

此方法可以設置當前瀏覽器頁面的大小,即寬高,用法如下:

 

 

例如,這里訪問一個寬度自適應的頁面:

 

 

運行結果如圖7-14所示。

圖7-14 運行結果

set_viewport_full()

此方法可以設置瀏覽器全屏顯示,示例如下:

 

 

set_user_agent()

此方法可以設置瀏覽器的User-Agent,示例如下:

 

 

這里我們將瀏覽器的User-Agent設置為Splash,運行結果如下:

 

 

可以看到,此處User-Agent被成功設置。

set_custom_headers()

此方法可以設置請求頭,示例如下:

 

 

這里我們設置了請求頭中的User-AgentSite屬性,運行結果如下:

 

 

select()

該方法可以選中符合條件的第一個節點,如果有多個節點符合條件,則只會返回一個,其參數是CSS選擇器。示例如下:

 

 

這里我們首先訪問了百度,然后選中了搜索框,隨后調用了send_text()方法填寫了文本,然后返回網頁截圖。

結果如圖7-15所示,可以看到,我們成功填寫了輸入框。

圖7-15 運行結果

select_all()

此方法可以選中所有符合條件的節點,其參數是CSS選擇器。示例如下:

 

 

這里我們通過CSS選擇器選中了節點的正文內容,隨后遍歷了所有節點,將其中的文本獲取下來。

運行結果如下:

 

 

可以發現,我們成功地將10個節點的正文內容獲取了下來。

mouse_click()

此方法可以模擬鼠標點擊操作,傳入的參數為坐標值xy。此外,也可以直接選中某個節點,然后調用此方法,示例如下:

 

 

這里我們首先選中頁面的輸入框,輸入了文本,然后選中“提交”按鈕,調用了mouse_click()方法提交查詢,然后頁面等待三秒,返回截圖,結果如圖7-16所示。

圖7-16 運行結果

可以看到,這里我們成功獲取了查詢后的頁面內容,模擬了百度搜索操作。

前面介紹了Splash的常用API操作,還有一些API在這不再一一介紹,更加詳細和權威的說明可以參見官方文檔https://splash.readthedocs.io/en/stable/scripting-ref.html,此頁面介紹了Splash對象的所有API操作。另外,還有針對頁面元素的API操作,鏈接為https://splash.readthedocs.io/en/stable/scripting-element-object.html

7. Splash API調用

前面說明了Splash Lua腳本的用法,但這些腳本是在Splash頁面中測試運行的,如何才能利用Splash渲染頁面呢?怎樣才能和Python程序結合使用並抓取JavaScript渲染的頁面呢?

其實Splash給我們提供了一些HTTP API接口,我們只需要請求這些接口並傳遞相應的參數即可,下面簡要介紹這些接口。

render.html

此接口用於獲取JavaScript渲染的頁面的HTML代碼,接口地址就是Splash的運行地址加此接口名稱,例如http://localhost:8050/render.html。可以用curl來測試一下:

 

 

我們給此接口傳遞了一個url參數來指定渲染的URL,返回結果即頁面渲染后的源代碼。

如果用Python實現的話,代碼如下:

 

 

這樣就可以成功輸出百度頁面渲染后的源代碼了。

另外,此接口還可以指定其他參數,比如通過wait指定等待秒數。如果要確保頁面完全加載出來,可以增加等待時間,例如:

 

 

此時得到響應的時間就會相應變長,比如這里會等待5秒多鍾才能獲取淘寶頁面的源代碼。

另外,此接口還支持代理設置、圖片加載設置、Headers設置、請求方法設置,具體的用法可以參見官方文檔https://splash.readthedocs.io/en/stable/api.html#render-html

render.png

此接口可以獲取網頁截圖,其參數比render.html多了幾個,比如通過widthheight來控制寬高,它返回的是PNG格式的圖片二進制數據。示例如下:

 

 

這里我們傳入了widthheight來設置頁面大小為1000×700像素。

如果用Python實現,可以將返回的二進制數據保存為PNG格式的圖片,具體如下:

 

 

得到的圖片如圖7-17所示。

圖7-17 運行結果

這樣我們就成功獲取了京東首頁渲染完成后的頁面截圖,詳細的參數設置可以參考官網文檔https://splash.readthedocs.io/en/stable/api.html#render-png

render.jpeg

此接口和render.png類似,不過它返回的是JPEG格式的圖片二進制數據。

另外,此接口比render.png多了參數quality,它用來設置圖片質量。

render.har

此接口用於獲取頁面加載的HAR數據,示例如下:

 

 

它的返回結果(如圖7-18所示)非常多,是一個JSON格式的數據,其中包含頁面加載過程中的HAR數據。

圖7-18 運行結果

render.json

此接口包含了前面接口的所有功能,返回結果是JSON格式,示例如下:

 

 

結果如下:

 

 

可以看到,這里以JSON形式返回了相應的請求數據。

我們可以通過傳入不同參數控制其返回結果。比如,傳入html=1,返回結果即會增加源代碼數據;傳入png=1,返回結果即會增加頁面PNG截圖數據;傳入har=1,則會獲得頁面HAR數據。例如:

 

 

這樣返回的JSON結果會包含網頁源代碼和HAR數據。

此外還有更多參數設置,具體可以參考官方文檔:https://splash.readthedocs.io/en/stable/api.html#render-json

execute

此接口才是最為強大的接口。前面說了很多Splash Lua腳本的操作,用此接口便可實現與Lua腳本的對接。

前面的render.html和render.png等接口對於一般的JavaScript渲染頁面是足夠了,但是如果要實現一些交互操作的話,它們還是無能為力,這里就需要使用execute接口了。

我們先實現一個最簡單的腳本,直接返回數據:

 

 

然后將此腳本轉化為URL編碼后的字符串,拼接到execute接口后面,示例如下:

 

 

運行結果如下:

 

 

這里我們通過lua_source參數傳遞了轉碼后的Lua腳本,通過execute接口獲取了最終腳本的執行結果。

這里我們更加關心的肯定是如何用Python來實現,上例用Python實現的話,代碼如下:

 

 

運行結果如下:

 

 

這里我們用Python中的三引號將Lua腳本包括起來,然后用urllib.parse模塊里的quote()方法將腳本進行URL轉碼,隨后構造了Splash請求URL,將其作為lua_source參數傳遞,這樣運行結果就會顯示Lua腳本執行后的結果。

我們再通過實例看一下:

 

 

運行結果如下:

 

 

可以看到,返回結果是JSON形式,我們成功獲取了請求的URL、狀態碼和網頁源代碼。

如此一來,我們之前所說的Lua腳本均可以用此方式與Python進行對接,所有網頁的動態渲染、模擬點擊、表單提交、頁面滑動、延時等待后的一些結果均可以自由控制,獲取頁面源碼和截圖也都不在話下。

到現在為止,我們可以用Python和Splash實現JavaScript渲染的頁面的抓取了。除了Selenium,本節所說的Splash同樣可以做到非常強大的渲染功能,同時它也不需要瀏覽器即可渲染,使用非常方便。


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM