一般的的靜態HTML頁面可以使用requests等庫直接抓取,但還有一部分比較複雜的動態頁面,這些頁面的DOM是動態生成的,有些還需要用戶與其點擊互動,這些頁面只能使用真實的瀏覽器引擎動態解析,Selenium和Chrome Headless可以很好的達到這種目的。 Headless Chrome ...
一般的的靜態HTML頁面可以使用requests等庫直接抓取,但還有一部分比較複雜的動態頁面,這些頁面的DOM是動態生成的,有些還需要用戶與其點擊互動,這些頁面只能使用真實的瀏覽器引擎動態解析,Selenium和Chrome Headless可以很好的達到這種目的。
Headless Chrome
Headless Chrome 是 Chrome 瀏覽器的無界面形態,可以在不打開瀏覽器的前提下,使用所有Chrome支持的特性,在命令行中運行你的腳本。以前在爬蟲要使用Phantomjs來實現這些功能,但Phantomjs已經暫停開發,現在可以使用Headless Chrome來代替。
使用很簡單,保證chrome命令指向chrome瀏覽器的安裝路徑,ubuntu下為google-chrome。
輸出html:
google-chrome --headless --dump-dom https://www.cnblogs.com/
將目標頁面截圖:
google-chrome --headless --disable-gpu --screenshot https://www.cnblogs.com/ # 規定大小 google-chrome --headless --disable-gpu --screenshot --window-size=640,960 https://www.cnblogs.com/
保存為pdf:
google-chrome --headless --disable-gpu --print-to-pdf https://www.cnblogs.com/
以上文件會保存於當前目錄。
還可以使用--remote-debugging-port參數進行遠程調試:
google-chrome --headless --disable-gpu --no-sandbox --remote-debugging-port=9222 --user-data-dir='/d/cnblogs' http://www.cnblogs.com
--user-data-dir參數可以設定保存目錄,--user-agent參數可以設定請求agent。上述的命令打開了一個websocket調試介面對當前Tab內頁面的DOM、網路、性能、存儲等等進行調試。
打開http://127.0.0.1:9222/鏈接可以看到可檢查的網頁,可以點擊它們並看到使用了哪種Headless渲染。
還有一系列地址:
http://127.0.0.1:9222/json 查看已經打開的Tab列表:
[ { "description": "", "devtoolsFrontendUrl": "/devtools/inspector.html?ws=127.0.0.1:9222/devtools/page/5C7774203404DC082182AF4563CC7256", "id": "5C7774203404DC082182AF4563CC7256", "title": "博客園 - 代碼改變世界", "type": "page", "url": "https://www.cnblogs.com/", "webSocketDebuggerUrl": "ws://127.0.0.1:9222/devtools/page/5C7774203404DC082182AF4563CC7256" } ]
http://127.0.0.1:9222/json/version : 查看瀏覽器版本信息
{ "Browser": "HeadlessChrome/71.0.3578.98", "Protocol-Version": "1.3", "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) HeadlessChrome/71.0.3578.98 Safari/537.36", "V8-Version": "7.1.302.31", "WebKit-Version": "537.36 (@15234034d19b85dcd9a03b164ae89d04145d8368)", "webSocketDebuggerUrl": "ws://127.0.0.1:9222/devtools/browser/ed156c0d-805c-4849-99d0-02e454260c17" }
http://127.0.0.1:9222/json/new?http://www.baidu.com : 新開Tab打開指定地址
http://127.0.0.1:9222/json/close/8795FFF09B01BD41B1F2931110475A67 : 關閉指定Tab,close後為tab頁面的id
http://127.0.0.1:9222/json/activate/5C7774203404DC082182AF4563CC7256 : 切換到目標Tab
tab頁面信息中有一個devtoolsFrontendUrl,是開發者工具的前端地址,可以打開:
http://127.0.0.1:9222/devtools/inspector.html?ws=127.0.0.1:9222/devtools/page/CE2E627C634EAAE3CE9193DC374C7B4A
在開發者工具里切換到Performance,勾選Screenshots,點刷新圖標,重新載入完成就可以看到逐幀載入的截圖:
Selenium
Selenium 是用於測試 Web 應用程式用戶界面的常用框架,它支持各種瀏覽器,包括 Chrome,Safari,Firefox 等,支持多種語言開發,比如 Java,C,Ruby等等,當然也有Python。
pip install selenium
使用時還需要下載瀏覽器驅動,以chromedriver為例,下載地址:
國內鏡像:
下載時註意與電腦的chrome版本保持一致,然後將chromedriver置於環境變數之中。
打開一個淘寶商品網頁:
from selenium import webdriver browser = webdriver.Chrome() browser.get('https://market.m.taobao.com/app/dinamic/h5-tb-detail/index.html?id=568217064643')
瀏覽器會自動打開並訪問網頁。
使用headless模式:
from selenium import webdriver chrome_options = webdriver.ChromeOptions() chrome_options.add_argument('--no-sandbox') chrome_options.add_argument('--headless') chrome_options.add_argument('--disable-gpu') browser = webdriver.Chrome(options=chrome_options) browser.get('https://market.m.taobao.com/app/dinamic/h5-tb-detail/index.html?id=568217064643') data = browser.page_source
page_souce屬性可以獲取html網頁源碼。
可以看到獲取的源碼都是些js與css語句,dom並未生成,需要模擬瀏覽器滾動來生成dom:
for i in range(1, 11): browser.execute_script( "window.scrollTo(0, document.body.scrollHeight/10*%s);" % i ) time.sleep(0.5)
execute_script方法可以用來執行js腳本。
現在獲取的源碼基本是完整的,還存在一些小問題,比如網頁為了讓img延遲載入,img的地址是放在data-img屬性上的,等到瀏覽器滑動至圖片時才修改src屬性,可以使用pyquery修改:
import time from selenium import webdriver from pyquery import PyQuery as pq base_dir = os.path.dirname(__file__) chrome_options = webdriver.ChromeOptions() chrome_options.add_argument('--no-sandbox') chrome_options.add_argument('--headless') chrome_options.add_argument('--disable-gpu') browser = webdriver.Chrome(options=chrome_options) # browser.implicitly_wait(10) browser.get('https://market.m.taobao.com/app/dinamic/h5-tb-detail/index.html?id=568217064643') for i in range(1, 11): browser.execute_script( "window.scrollTo(0, document.body.scrollHeight/10*%s);" % i ) time.sleep(0.5) data = browser.page_source.encode('utf-8') doc = pq(data) for img in doc('img'): img = pq(img) if img.attr['data-img']: img.attr.src = img.attr['data-img'] data = doc.html(method='html').replace('src="//', 'src="http://') f = open(os.path.join(base_dir, 'detail.html'), 'w') f.write(data.encode('utf-8')) f.close()
保存為html後打開可以看到網頁爬取成功。
selenium還提供了很多element提取介面:
提取單個element:
elem = browser.find_element_by_id("description")
提取多個:
elem = browser.find_elements_by_class_name("detail-desc")
批量爬取
可以使用concurrent.futures 線程池進行多線程批量爬取:
# -*- coding: utf-8 -*- import threading import time import os from concurrent.futures import ThreadPoolExecutor, as_completed from pyquery import PyQuery as pq class TaobaoCrawler(object): def __init__(self, ids): self.ids = ids self.browsers = {} self.timeout_spus = [] self.url = 'https://market.m.taobao.com/app/dinamic/h5-tb-detail/index.html?id=' def _create_new_browser(self): from selenium import webdriver chrome_options = webdriver.ChromeOptions() chrome_options.add_argument('--no-sandbox') chrome_options.add_argument('--headless') chrome_options.add_argument('--disable-gpu') # chrome_options.add_argument('--blink-settings=imagesEnabled=false') browser = webdriver.Chrome(options=chrome_options) return browser def get_browser(self): current_thread_id = threading.currentThread().ident existed = self.browsers.get(current_thread_id) if existed: return existed new_browser = self._create_new_browser() self.browsers[current_thread_id] = new_browser return new_browser def close_browsers(self): for _, browser in self.browsers.iteritems(): browser.quit() self.browsers = {} def scroll_browser(self, browser, num): '''模擬瀏覽器滾動 保證js全部執行完成''' for i in range(1, num+1): browser.execute_script( "window.scrollTo(0, document.body.scrollHeight/%d*%d);" % ( num, i) ) time.sleep(0.5) def handle_detail_doc(self, detail): doc = pq(detail) for img in doc('img'): img = pq(img) if img.attr['data-img']: img.attr.src = img.attr['data-img'] detail = doc.html(method='html') detail = detail.replace('src="//', 'src="http://') return detail def crawl_taobao_detail(self, taobao_id): browser = self.get_browser() url = self.url + str(taobao_id) browser.execute_script("window.stop();") browser.get(url) self.scroll_browser(browser, 20) data = browser.page_source.encode('utf-8') data = self.handle_detail_doc(data) return taobao_id, data def start_crawl(self): if not self.ids: return with ThreadPoolExecutor(max_workers=4) as executor: futures = [executor.submit(self.crawl_taobao_detail, _) for _ in self.ids] for task in as_completed(futures): if task.done(): taobao_id, data = task.result() base_dir = os.path.dirname(__file__) f = open(os.path.join(base_dir, str(taobao_id) + '.html'), 'w') f.write(data.encode('utf-8')) f.close() self.close_browsers() def test_crawl(): ids = [568217064643, 584126060993, 581555053584, 581002124614] c = TaobaoCrawler(ids) c.start_crawl() if __name__ == '__main__': test_crawl()