分享每一天-超越selenium的爬虫神器Pyppeteer

超越selenium的爬虫神器Pyppeteer

Python 2460 0 创建时间：2020-11-18 09:40:14

Pyppeteer

#### Pyppeteer简介
pyppeteer是puppeteer的Python版本，而puppeteer是什么呢？puppeteer是Google基于Node.js开发的一个工具，它可以使我们通过JavaScript来控制Chrome浏览器执行一些操作，拥有丰富的API，功能非常强大，因此也可以用于网络爬虫。pyppeteer是一位日本的程序员根据Puppeteer开发的非官方Python版本。

在Pyppeteer中，它操作的是一个类似Chrome的Chromium浏览器，Chromium是相当于Chrome的开发版，是完全开源的，Chrome的所有新功能都会先在Chromium上实现，稳定后才会移植到Chrome上，因此Chromium会包含很多新功能。Pyppeteer就是依赖于Chromium来运行的，当我们第一次运行Pyppeteer的时候，如果Chromium没有安装，那么程序会自动帮我们安装和配置，省去了环境配置这一步。

下面我们详细了解一下Pyppeteer的用法。

#### 安装
因为Pyppeteer采用了async机制，所以必须使用Python 3.5及以上版本。

使用pip安装非常简单：

```python
pip install pyppeteer
```
使用时直接导入：

```python
import pyppeteer
```
#### 使用

接下来我们使用豆瓣电影排行榜 https://movie.douban.com/chart 来作为测试

下面我们用Pyppeteer来试一下，代码如下：

```python
import asyncio
from pyppeteer import launch
from lxml import etree

async def main():
    browser = await launch()
    page = await browser.newPage()
    await page.goto('https://movie.douban.com/chart')
    await page.waitForXPath('//table//a[@title]')
    doc = etree.HTML(await page.content())
    names = [element.attrib['title'] for element in doc.xpath('//table//a[@title]')]
    print('Names: ', names)
    await browser.close()

asyncio.get_event_loop().run_until_complete(main())
```

运行结果：

```python
Names:  ['誓血五人组', '给我翅膀', '黑帮大佬和我的365日', '爱情人偶', '忠贞', '鲁邦三世 The First', '大饿', '火口的两人', '知晓天空之蓝的人啊', '野性的呼唤']
```

代码的大体意思是访问网站，然后等待//table//a[@title]的节点加载出来，再通过xpath从网页源码中解析出电影名并输出，最后关闭Pyppeteer。具体过程如下：

- launch 方法新建一个Browser对象，赋值给browser变量，这一步就相当于启动了浏览器

- 然后browser调用newPage方法相当于新建一个选项卡，并且返回一个Page对象，这一步还是一个空白的页面，并未访问任何页面
- 然后Page调用goto方法，就相当于访问此页面
- Page对象调用waitForXpath方法，那么页面就会等待选择器所对应的节点信息加载出来，如果加载出来就立即返回，否则就会持续等待直到超时。这里就比selenium的等待元素加载完毕要清晰的多了。
- 页面加载完成后再调用content方法，获取渲染出来的页面源代码
- 最后从页面源码中提取出电影名称
- 另外当中还用到了asyncio的相关知识，因为Pyppeteer是基于asyncio实现的异步，所以这块知识需要先了解一下。

通过上面这个示例，我们看到Pyppeteer比Selenium要简洁的多，而且环境配置也方便，直接自动帮我们实现了环境配置。接下来我们再尝试设定浏览器窗口大小，并进行网页截图，然后执行一段自定义的JavaScript脚本，代码如下：
```python

import asyncio
from pyppeteer import launch

async def main():
    width, height = 1366, 768
    browser = await launch()
    page = await browser.newPage()
    await page.setViewport({'width': width, 'height': height})
    await page.goto('https://movie.douban.com/chart')
    await page.waitForXPath('//table//a[@title]')
    await asyncio.sleep(2)
    await page.screenshot(path='example.png')
    dimensions = await page.evaluate('''() => {
           return {
               width: document.documentElement.clientWidth,
               height: document.documentElement.clientHeight,
               deviceScaleFactor: window.devicePixelRatio,
           }
       }''')
    print(dimensions)
    await browser.close()

asyncio.get_event_loop().run_until_complete(main())
```
执行结果：
```python
{'width': 1366, 'height': 768, 'deviceScaleFactor': 1}
```
这里我们完成了页面窗口大小的设置、网页截图保存、执行了JavaScript并返回了对应的数据。 
我们这里是全屏截图，screenshot方法还可以指定保存格式、清晰度、是否全屏、裁剪等。从截图我们可以看到和我们在浏览器中看到的一样，并且在evaluate方法中执行的JavaScript返回了网页的宽高、像素大小比率的值。

今天我们简单介绍Pyppeteer的使用，更加详细的介绍可以在Pyppeteer的官方文档https://miyakogi.github.io/pyppeteer/reference.html中进行查找，不必死记硬背。下一篇我们介绍一些常用的Pyppeteer对象和使用模式。

超越selenium的爬虫神器Pyppeteer

商品推荐

广告推荐

推荐文章