[Python3網路爬蟲開發實戰] --Splash的使用

漂泊者_LGD發表於2019-06-10

Python爬蟲

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。利用它同樣可以實現動態渲染頁面的抓取。

1. 功能介紹

利用Splash可以實現如下功能：

非同步方式處理多個網頁渲染過程；
獲取渲染後的頁面的原始碼或截圖；
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指令碼；
可通過Lua指令碼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。

2. 準備工作

在開始之前，請確保已經正確安裝好了Splash並可以正常執行服務（pip install Splash）。

3. 例項引入

首先，通過Splash提供的Web頁面來測試其渲染過程。例如，在本機8050埠上執行了Splash服務，開啟http://localhost:8050/即可看到其Web頁面，如圖1所示。
在這裡插入圖片描述
在圖1右側，呈現的是一個渲染示例。可以看到，上方有一個輸入框，預設是http://google.com，這裡換成百度測試一下，將內容更改為https://www.baidu.com，然後點選Render me按鈕開始渲染，結果如圖2所示。

可以看到，網頁的返回結果呈現了渲染截圖、HAR載入統計資料、網頁的原始碼。

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的載入等過程，呈現的頁面和在瀏覽器中得到的結果完全一致。

那麼，這個過程由什麼來控制呢？重新返回首頁，可以看到實際上是有一段指令碼，內容如下：

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

這個指令碼實際上是用Lua語言寫的指令碼。即使不懂這個語言的語法，但從指令碼的表面意思，也可以大致瞭解到它首先呼叫go()方法去載入頁面，然後呼叫wait()方法等待了一定時間，最後返回了頁面的原始碼、截圖和HAR資訊。

到這裡，大體瞭解了Splash是通過Lua指令碼來控制了頁面的載入過程的，載入過程完全模擬瀏覽器，最後可返回各種格式的結果，如網頁原始碼和截圖等。

接下來就來了解Lua指令碼的寫法以及相關API的用法。

4. Splash Lua指令碼

Splash可以通過Lua指令碼執行一系列渲染操作，這樣就可以用Splash來模擬類似Chrome、PhantomJS的操作了。

首先，瞭解一下Splash Lua指令碼的入口和執行方式。

入口及返回值
首先，來看一個基本例項：

function main(splash, args)
  splash:go("http://www.baidu.com")
  splash:wait(0.5)
  local title = splash:evaljs("document.title")
  return {title=title}
end

將程式碼貼上到剛才開啟的http://localhost:8050/的程式碼編輯區域，然後點選Render me!按鈕來測試一下。

看到它返回了網頁的標題，如圖7-8所示。這裡通過evaljs()方法傳入JavaScript指令碼，而document.title的執行結果就是返回網頁標題，執行完畢後將其賦值給一個title變數，隨後將其返回。
在這裡插入圖片描述
注意，在這裡定義的方法名稱叫作main()。這個名稱必須是固定的，Splash會預設呼叫這個方法。

該方法的返回值既可以是字典形式，也可以是字串形式，最後都會轉化為Splash HTTP Response，例如：

function main(splash)
    return {hello="world!"}
end

返回了一個字典形式的內容。例如：

function main(splash)
    return 'hello'
end

返回了一個字串形式的內容。

非同步處理

Splash支援非同步處理，但是這裡並沒有顯式指明回撥方法，其回撥的跳轉是在Splash內部完成的。示例如下：

function main(splash, args)
  local example_urls = {"www.baidu.com", "www.taobao.com", "www.zhihu.com"}
  local urls = args.urls or example_urls
  local results = {}
  for index, url in ipairs(urls) do
    local ok, reason = splash:go("http://" .. url)
    if ok then
      splash:wait(2)
      results[url] = splash:png()
    end
  end
  return results
end

執行結果是3個站點的截圖，如圖3所示。
在這裡插入圖片描述
在指令碼內呼叫的wait()方法類似於Python中的sleep()，其引數為等待的秒數。當Splash執行到此方法時，它會轉而去處理其他任務，然後在指定的時間過後再回來繼續處理。

這裡值得注意的是，Lua指令碼中的字串拼接和Python不同，它使用的是…操作符，而不是+。如果有必要，可以簡單瞭解一下Lua指令碼的語法，詳見http://www.runoob.com/lua/lua-basic-syntax.html。

另外，這裡做了載入時的異常檢測。go()方法會返回載入頁面的結果狀態，如果頁面出現4xx或5xx狀態碼，ok變數就為空，就不會返回載入後的圖片。

5. Splash物件屬性

注意到，前面例子中main()方法的第一個引數是splash，這個物件非常重要，它類似於Selenium中的WebDriver物件，可以呼叫它的一些屬性和方法來控制載入過程。接下來，先看下它的屬性。

args

該屬性可以獲取載入時配置的引數，比如URL，如果為GET請求，它還可以獲取GET請求引數；如果為POST請求，它可以獲取表單提交的資料。Splash也支援使用第二個引數直接作為args，例如：

function main(splash, args)
    local url = args.url
end

這裡第二個引數args就相當於splash.args屬性，以上程式碼等價於：

function main(splash)
    local url = splash.args.url
end

js_enabled

這個屬性是Splash的JavaScript執行開關，可以將其配置為true或false來控制是否執行JavaScript程式碼，預設為true。例如，這裡禁止執行JavaScript程式碼：

function main(splash, args)
  splash:go("https://www.baidu.com")
  splash.js_enabled = false
  local title = splash:evaljs("document.title")
  return {title=title}
end

接著重新呼叫了evaljs()方法執行JavaScript程式碼，此時執行結果就會丟擲異常：

{
    "error": 400,
    "type": "ScriptError",
    "info": {
        "type": "JS_ERROR",
        "js_error_message": null,
        "source": "[string \"function main(splash, args)\r...\"]",
        "message": "[string \"function main(splash, args)\r...\"]:4: unknown JS error: None",
        "line_number": 4,
        "error": "unknown JS error: None",
        "splash_method": "evaljs"
    },
    "description": "Error happened while executing Lua script"
}

不過一般來說，不用設定此屬性，預設開啟即可。

resource_timeout

此屬性可以設定載入的超時時間，單位是秒。如果設定為0或nil（類似Python中的None），代表不檢測超時。示例如下：

function main(splash)
    splash.resource_timeout = 0.1
    assert(splash:go('https://www.taobao.com'))
    return splash:png()
end

例如，這裡將超時時間設定為0.1秒。如果在0.1秒之內沒有得到響應，就會丟擲異常，錯誤如下：

{
    "error": 400,
    "type": "ScriptError",
    "info": {
        "error": "network5",
        "type": "LUA_ERROR",
        "line_number": 3,
        "source": "[string \"function main(splash)\r...\"]",
        "message": "Lua error: [string \"function main(splash)\r...\"]:3: network5"
    },
    "description": "Error happened while executing Lua script"
}

此屬性適合在網頁載入速度較慢的情況下設定。如果超過了某個時間無響應，則直接丟擲異常並忽略即可。

images_enabled

此屬性可以設定圖片是否載入，預設情況下是載入的。禁用該屬性後，可以節省網路流量並提高網頁載入速度。但是需要注意的是，禁用圖片載入可能會影響JavaScript渲染。因為禁用圖片之後，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使用了快取。如果一開始載入出來了網頁圖片，然後禁用了圖片載入，再重新載入頁面，之前載入好的圖片可能還會顯示出來，這時直接重啟Splash即可。

禁用圖片載入的示例如下：

function main(splash, args)
  splash.images_enabled = false
  assert(splash:go('https://www.jd.com'))
  return {png=splash:png()}
end

這樣返回的頁面截圖就不會帶有任何圖片，載入速度也會快很多。

plugins_enabled

此屬性可以控制瀏覽器外掛（如Flash外掛）是否開啟。預設情況下，此屬性是false，表示不開啟。可以使用如下程式碼控制其開啟和關閉：

splash.plugins_enabled = true/false

scroll_position

通過設定此屬性，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：

function main(splash, args)
  assert(splash:go('https://www.taobao.com'))
  splash.scroll_position = {y=400}
  return {png=splash:png()}
end

這樣就可以控制頁面向下滾動400畫素值，結果如圖4所示。
在這裡插入圖片描述
如果要讓頁面左右滾動，可以傳入x引數，程式碼如下：

splash.scroll_position = {x=100, y=200}

6. Splash物件的方法

除了前面介紹的屬性外，Splash物件還有如下方法。

go()

該方法用來請求某個連結，而且它可以模擬GET和POST請求，同時支援傳入請求頭、表單等資料，其用法如下：

ok, reason = splash:go{url, baseurl=nil, headers=nil, http_method="GET", body=nil, formdata=nil}

其引數說明如下。

url：請求的URL。
baseurl：可選引數，預設為空，表示資源載入相對路徑。
headers：可選引數，預設為空，表示請求頭。
http_method：可選引數，預設為GET，同時支援POST。
body：可選引數，預設為空，發POST請求時的表單資料，使用的Content-type為application/json。
formdata：可選引數，預設為空，POST的時候的表單資料，使用的Content-type為application/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，代表網頁載入出現了錯誤，此時reason變數中包含了錯誤的原因，否則證明頁面載入成功。示例如下：

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

這裡模擬了一個POST請求，並傳入了POST的表單資料，如果成功，則返回頁面的原始碼。

執行結果如下：

<html><head></head><body><pre style="word-wrap: break-word; white-space: pre-wrap;">{
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "name": "Germey"
  }, 
  "headers": {
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", 
    "Accept-Encoding": "gzip, deflate", 
    "Accept-Language": "en,*", 
    "Connection": "close", 
    "Content-Length": "11", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "Origin": "null", 
    "User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/602.1 (KHTML, like Gecko) splash Version/9.0 Safari/602.1"
  }, 
  "json": null, 
  "origin": "60.207.237.85", 
  "url": "http://httpbin.org/post"
}
</pre></body></html>

可以看到成功實現了POST請求併傳送了表單資料。

wait()

此方法可以控制頁面的等待時間，使用方法如下：

ok, reason = splash:wait{time, cancel_on_redirect=false, cancel_on_error=true}

引數說明如下。

time：等待的秒數。
cancel_on_redirect：可選引數，預設為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：可選引數，預設為false，表示如果發生了載入錯誤，就停止等待。
返回結果同樣是結果ok和原因reason的組合。

用一個例項感受一下：

function main(splash)
    splash:go("https://www.taobao.com")
    splash:wait(2)
    return {html=splash:html()}
end

這可以實現訪問淘寶並等待2秒，隨後返回頁面原始碼的功能。

jsfunc()

此方法可以直接呼叫JavaScript定義的方法，但是所呼叫的方法需要用雙中括號包圍，這相當於實現了JavaScript方法到Lua指令碼的轉換。示例如下：

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

執行結果如下：

There are 21 DIVs

首先，宣告瞭一個JavaScript定義的方法，然後在頁面載入成功後呼叫了此方法計算出了頁面中div節點的個數。

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

evaljs()

此方法可以執行JavaScript程式碼並返回最後一條JavaScript語句的返回結果，使用方法如下：

result = splash:evaljs(js)

比如，可以用下面的程式碼來獲取頁面標題：

local title = splash:evaljs("document.title")

runjs()

此方法可以執行JavaScript程式碼，它與evaljs()的功能類似，但是更偏向於執行某些動作或宣告某些方法。例如：

function main(splash, args)
  splash:go("https://www.baidu.com")
  splash:runjs("foo = function() { return 'bar' }")
  local result = splash:evaljs("foo()")
  return result
end

這裡用runjs()先宣告瞭一個JavaScript定義的方法，然後通過evaljs()來呼叫得到的結果。

執行結果如下：

bar

autoload()

此方法可以設定每個頁面訪問時自動載入的物件，使用方法如下：

ok, reason = splash:autoload{source_or_url, source=nil, url=nil}

引數說明如下。

source_or_url：JavaScript程式碼或者JavaScript庫連結。
source：JavaScript程式碼。
url：JavaScript庫連結

但是此方法只負責載入JavaScript程式碼或庫，不執行任何操作。如果要執行操作，可以呼叫evaljs()或runjs()方法。示例如下：

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

這裡呼叫autoload()方法宣告瞭一個JavaScript方法，然後通過evaljs()方法來執行此JavaScript方法。

執行結果如下：

百度一下，你就知道

另外，也可以使用autoload()方法載入某些方法庫，如jQuery，示例如下：

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

執行結果如下：

JQuery version: 2.1.3

call_later()

此方法可以通過設定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：

function main(splash, args)
  local snapshots = {}
  local timer = splash:call_later(function()
    snapshots["a"] = splash:png()
    splash:wait(1.0)
    snapshots["b"] = splash:png()
  end, 0.2)
  splash:go("https://www.taobao.com")
  splash:wait(3.0)
  return snapshots
end

這裡設定了一個定時任務，0.2秒的時候獲取網頁截圖，然後等待1秒，1.2秒時再次獲取網頁截圖，訪問的頁面是淘寶，最後將截圖結果返回。執行結果如圖5所示。
在這裡插入圖片描述
可以發現，第一次截圖時網頁還沒有載入出來，截圖為空，第二次網頁便載入成功了。

http_get()

此方法可以模擬傳送HTTP的GET請求，使用方法如下：

response = splash:http_get{url, headers=nil, follow_redirects=true}

引數說明如下。

url：請求URL。
headers：可選引數，預設為空，請求頭。
follow_redirects：可選引數，表示是否啟動自動重定向，預設為true。
示例如下：

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

執行結果如下：

Splash Response: Object
html: String (length 355)
{
  "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": "60.207.237.85", 
  "url": "http://httpbin.org/get"
}
status: 200
url: "http://httpbin.org/get"

http_post()

和http_get()方法類似，此方法用來模擬傳送POST請求，不過多了一個引數body，使用方法如下：

response = splash:http_post{url, headers=nil, follow_redirects=true, body=nil}

引數說明如下。

url：請求URL。
headers：可選引數，預設為空，請求頭。
follow_redirects：可選引數，表示是否啟動自動重定向，預設為true。
body：可選引數，即表單資料，預設為空。
用例項感受一下：

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

執行結果如下：

Splash Response: Object
html: String (length 533)
{
  "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": "60.207.237.85", 
  "url": "http://httpbin.org/post"
}
status: 200
url: "http://httpbin.org/post"

可以看到，這裡成功模擬提交了POST請求併傳送了表單資料。

set_content()

此方法用來設定頁面的內容，示例如下：

function main(splash)
    assert(splash:set_content("<html><body><h1>hello</h1></body></html>"))
    return splash:png()
end

執行結果如圖6所示。
在這裡插入圖片描述

html()

此方法用來獲取網頁的原始碼，它是非常簡單又常用的方法。示例如下：

function main(splash, args)
  splash:go("https://httpbin.org/get")
  return splash:html()
end

執行結果如下：

<html><head></head><body><pre style="word-wrap: break-word; white-space: pre-wrap;">{
  "args": {}, 
  "headers": {
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", 
    "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": "60.207.237.85", 
  "url": "https://httpbin.org/get"
}
</pre></body></html>

png()

此方法用來獲取PNG格式的網頁截圖，示例如下：

function main(splash, args)
  splash:go("https://www.taobao.com")
  return splash:png()
end

jpeg()

此方法用來獲取JPEG格式的網頁截圖，示例如下：

function main(splash, args)
  splash:go("https://www.taobao.com")
  return splash:jpeg()
end

har()

此方法用來獲取頁面載入過程描述，示例如下：

function main(splash, args)
  splash:go("https://www.baidu.com")
  return splash:har()
end

執行結果如圖7所示，其中顯示了頁面載入過程中每個請求記錄的詳情。
在這裡插入圖片描述

url()

此方法可以獲取當前正在訪問的URL，示例如下：

function main(splash, args)
  splash:go("https://www.baidu.com")
  return splash:url()
end

執行結果如下：

https://www.baidu.com/

get_cookies()

此方法可以獲取當前頁面的Cookies，示例如下：

function main(splash, args)
  splash:go("https://www.baidu.com")
  return splash:get_cookies()
end

執行結果如下：

Splash Response: Array[2]
0: Object
domain: ".baidu.com"
expires: "2085-08-21T20:13:23Z"
httpOnly: false
name: "BAIDUID"
path: "/"
secure: false
value: "C1263A470B02DEF45593B062451C9722:FG=1"
1: Object
domain: ".baidu.com"
expires: "2085-08-21T20:13:23Z"
httpOnly: false
name: "BIDUPSID"
path: "/"
secure: false
value: "C1263A470B02DEF45593B062451C9722"

add_cookie()

此方法可以為當前頁面新增Cookie，用法如下：

cookies = splash:add_cookie{name, value, path=nil, domain=nil, expires=nil, httpOnly=nil, secure=nil}

該方法的各個引數代表Cookie的各個屬性。

示例如下：

function main(splash)
    splash:add_cookie{"sessionid", "237465ghgfsd", "/", domain="http://example.com"}
    splash:go("http://example.com/")
    return splash:html()
end

clear_cookies()

此方法可以清除所有的Cookies，示例如下：

function main(splash)
    splash:go("https://www.baidu.com/")
    splash:clear_cookies()
    return splash:get_cookies()
end

這裡清除了所有的Cookies，然後呼叫get_cookies()將結果返回。

執行結果如下：

Splash Response: Array[0]

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：

function main(splash)
    splash:go("https://www.baidu.com/")
    return splash:get_viewport_size()
end

執行結果如下：

Splash Response: Array[2]
0: 1024
1: 768

set_viewport_size()

此方法可以設定當前瀏覽器頁面的大小，即寬高，用法如下：

splash:set_viewport_size(width, height)

例如，這裡訪問一個寬度自適應的頁面：

function main(splash)
    splash:set_viewport_size(400, 700)
    assert(splash:go("http://cuiqingcai.com"))
    return splash:png()
end

執行結果如圖8所示。
在這裡插入圖片描述

set_viewport_full()

此方法可以設定瀏覽器全屏顯示，示例如下：

function main(splash)
    splash:set_viewport_full()
    assert(splash:go("http://cuiqingcai.com"))
    return splash:png()
end

set_user_agent()

此方法可以設定瀏覽器的User-Agent，示例如下：

function main(splash)
  splash:set_user_agent('Splash')
  splash:go("http://httpbin.org/get")
  return splash:html()
end

這裡將瀏覽器的User-Agent設定為Splash，執行結果如下：

<html><head></head><body><pre style="word-wrap: break-word; white-space: pre-wrap;">{
  "args": {}, 
  "headers": {
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", 
    "Accept-Encoding": "gzip, deflate", 
    "Accept-Language": "en,*", 
    "Connection": "close", 
    "Host": "httpbin.org", 
    "User-Agent": "Splash"
  }, 
  "origin": "60.207.237.85", 
  "url": "http://httpbin.org/get"
}
</pre></body></html>

可以看到，此處User-Agent被成功設定。

set_custom_headers()

此方法可以設定請求頭，示例如下：

function main(splash)
  splash:set_custom_headers({
     ["User-Agent"] = "Splash",
     ["Site"] = "Splash",
  })
  splash:go("http://httpbin.org/get")
  return splash:html()
end

這裡設定了請求頭中的User-Agent和Site屬性，執行結果如下：

<html><head></head><body><pre style="word-wrap: break-word; white-space: pre-wrap;">{
  "args": {}, 
  "headers": {
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", 
    "Accept-Encoding": "gzip, deflate", 
    "Accept-Language": "en,*", 
    "Connection": "close", 
    "Host": "httpbin.org", 
    "Site": "Splash", 
    "User-Agent": "Splash"
  }, 
  "origin": "60.207.237.85", 
  "url": "http://httpbin.org/get"
}
</pre></body></html>

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，其引數是CSS選擇器。示例如下：

function main(splash)
  splash:go("https://www.baidu.com/")
  input = splash:select("#kw")
  input:send_text('Splash')
  splash:wait(3)
  return splash:png()
end

這裡首先訪問了百度，然後選中了搜尋框，隨後呼叫了send_text()方法填寫了文字，然後返回網頁截圖。

結果如圖9所示，可以看到成功填寫了輸入框。
在這裡插入圖片描述

select_all()

此方法可以選中所有符合條件的節點，其引數是CSS選擇器。示例如下：

function main(splash)
  local treat = require('treat')
  assert(splash:go("http://quotes.toscrape.com/"))
  assert(splash:wait(0.5))
  local texts = splash:select_all('.quote .text')
  local results = {}
  for index, text in ipairs(texts) do
    results[index] = text.node.innerHTML
  end
  return treat.as_array(results)
end

這裡通過CSS選擇器選中了節點的正文內容，隨後遍歷了所有節點，將其中的文字獲取下來。

執行結果如下：

Splash Response: Array[10]
0: "“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”"
1: "“It is our choices, Harry, that show what we truly are, far more than our abilities.”"
2: “There are only two ways to live your life. One is as though nothing is a miracle. The other is as though everything is a miracle.”
3: "“The person, be it gentleman or lady, who has not pleasure in a good novel, must be intolerably stupid.”"
4: "“Imperfection is beauty, madness is genius and it's better to be absolutely ridiculous than absolutely boring.”"
5: "“Try not to become a man of success. Rather become a man of value.”"
6: "“It is better to be hated for what you are than to be loved for what you are not.”"
7: "“I have not failed. I've just found 10,000 ways that won't work.”"
8: "“A woman is like a tea bag; you never know how strong it is until it's in hot water.”"
9: "“A day without sunshine is like, you know, night.”"

可以發現成功地將10個節點的正文內容獲取了下來。

mouse_click()

此方法可以模擬滑鼠點選操作，傳入的引數為座標值x和y。此外，也可以直接選中某個節點，然後呼叫此方法，示例如下：

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

這裡首先選中頁面的輸入框，輸入了文字，然後選中“提交”按鈕，呼叫了mouse_click()方法提交查詢，然後頁面等待三秒，返回截圖，結果如圖10所示。
在這裡插入圖片描述
可以看到，這裡成功獲取了查詢後的頁面內容，模擬了百度搜尋操作。

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件https://splash.readthedocs.io/en/stable/scripting-ref.html，此頁面介紹了Splash物件的所有API操作。另外，還有針對頁面元素的API操作，連結為https://splash.readthedocs.io/en/stable/scripting-element-object.html。

7. Splash API呼叫

前面說明了Splash Lua指令碼的用法，但這些指令碼是在Splash頁面中測試執行的，如何才能利用Splash渲染頁面呢？怎樣才能和Python程式結合使用並抓取JavaScript渲染的頁面呢？

其實Splash提供了一些HTTP API介面，只需要請求這些介面並傳遞相應的引數即可，下面簡要介紹這些介面。

render.html

此介面用於獲取JavaScript渲染的頁面的HTML程式碼，介面地址就是Splash的執行地址加此介面名稱，例如http://localhost:8050/render.html。可以用curl來測試一下：

curl http://localhost:8050/render.html?url=https://www.baidu.com

給此介面傳遞了一個url引數來指定渲染的URL，返回結果即頁面渲染後的原始碼。

如果用Python實現的話，程式碼如下：

import requests
url = 'http://localhost:8050/render.html?url=https://www.baidu.com'
response = requests.get(url)
print(response.text)

這樣就可以成功輸出百度頁面渲染後的原始碼了。

另外，此介面還可以指定其他引數，比如通過wait指定等待秒數。如果要確保頁面完全載入出來，可以增加等待時間，例如：

import requests
url = 'http://localhost:8050/render.html?url=https://www.taobao.com&wait=5'
response = requests.get(url)
print(response.text)

此時得到響應的時間就會相應變長，比如這裡會等待5秒多鍾才能獲取淘寶頁面的原始碼。

另外，此介面還支援代理設定、圖片載入設定、Headers設定、請求方法設定，具體的用法可以參見官方文件https://splash.readthedocs.io/en/stable/api.html#render-html。

render.png

此介面可以獲取網頁截圖，其引數比render.html多了幾個，比如通過width和height來控制寬高，它返回的是PNG格式的圖片二進位制資料。示例如下：

curl http://localhost:8050/render.png?url=https://www.taobao.com&wait=5&width=1000&height=700

這裡傳入了width和height來設定頁面大小為1000×700畫素。

如果用Python實現，可以將返回的二進位制資料儲存為PNG格式的圖片，具體如下：

import requests

url = 'http://localhost:8050/render.png?url=https://www.jd.com&wait=5&width=1000&height=700'
response = requests.get(url)
with open('taobao.png', 'wb') as f:
    f.write(response.content)

得到的圖片如圖11所示。
在這裡插入圖片描述
這樣就成功獲取了京東首頁渲染完成後的頁面截圖，詳細的引數設定可以參考官網文件https://splash.readthedocs.io/en/stable/api.html#render-png。

render.jpeg

此介面和render.png類似，不過它返回的是JPEG格式的圖片二進位制資料。

另外，此介面比render.png多了引數quality，它用來設定圖片質量。

render.har

此介面用於獲取頁面載入的HAR資料，示例如下：

curl http://localhost:8050/render.har?url=https://www.jd.com&wait=5

它的返回結果（如圖12所示）非常多，是一個JSON格式的資料，其中包含頁面載入過程中的HAR資料。
在這裡插入圖片描述

render.json

此介面包含了前面介面的所有功能，返回結果是JSON格式，示例如下：

curl http://localhost:8050/render.json?url=https://httpbin.org

結果如下：

{"title": "httpbin(1): HTTP Client Testing Service", "url": "https://httpbin.org/", "requestedUrl": "https://httpbin.org/", "geometry": [0, 0, 1024, 768]}

可以看到，這裡以JSON形式返回了相應的請求資料。

可以通過傳入不同引數控制其返回結果。比如，傳入html=1，返回結果即會增加原始碼資料；傳入png=1，返回結果即會增加頁面PNG截圖資料；傳入har=1，則會獲得頁面HAR資料。例如：

curl http://localhost:8050/render.json?url=https://httpbin.org&html=1&har=1

這樣返回的JSON結果會包含網頁原始碼和HAR資料。

此外還有更多引數設定，具體可以參考官方文件：https://splash.readthedocs.io/en/stable/api.html#render-json。

execute

此介面才是最為強大的介面。前面說了很多Splash Lua指令碼的操作，用此介面便可實現與Lua指令碼的對接。

前面的render.html和render.png等介面對於一般的JavaScript渲染頁面是足夠了，但是如果要實現一些互動操作的話，它們還是無能為力，這裡就需要使用execute介面了。

先實現一個最簡單的指令碼，直接返回資料：

function main(splash)
    return 'hello'
end

然後將此指令碼轉化為URL編碼後的字串，拼接到execute介面後面，示例如下：

curl http://localhost:8050/execute?lua_source=function+main%28splash%29%0D%0A++return+%27hello%27%0D%0Aend

執行結果如下：

hello

這裡通過lua_source引數傳遞了轉碼後的Lua指令碼，通過execute介面獲取了最終指令碼的執行結果。

這裡更加關心的肯定是如何用Python來實現，上例用Python實現的話，程式碼如下：

import requests
from urllib.parse import quote

lua = '''
function main(splash)
    return 'hello'
end
'''

url = 'http://localhost:8050/execute?lua_source=' + quote(lua)
response = requests.get(url)
print(response.text)

執行結果如下：

hello

這裡用Python中的三引號將Lua指令碼包括起來，然後用urllib.parse模組裡的quote()方法將指令碼進行URL轉碼，隨後構造了Splash請求URL，將其作為lua_source引數傳遞，這樣執行結果就會顯示Lua指令碼執行後的結果。

再通過例項看一下：

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://localhost:8050/execute?lua_source=' + quote(lua)
response = requests.get(url)
print(response.text)

執行結果如下：

{"url": "http://httpbin.org/get", "status": 200, "html": "{\n  \"args\": {}, \n  \"headers\": {\n    \"Accept-Encoding\": \"gzip, deflate\", \n    \"Accept-Language\": \"en,*\", \n    \"Connection\": \"close\", \n    \"Host\": \"httpbin.org\", \n    \"User-Agent\": \"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/602.1 (KHTML, like Gecko) splash Version/9.0 Safari/602.1\"\n  }, \n  \"origin\": \"60.207.237.85\", \n  \"url\": \"http://httpbin.org/get\"\n}\n"}

可以看到，返回結果是JSON形式，成功獲取了請求的URL、狀態碼和網頁原始碼。

如此一來，之前所說的Lua指令碼均可以用此方式與Python進行對接，所有網頁的動態渲染、模擬點選、表單提交、頁面滑動、延時等待後的一些結果均可以自由控制，獲取頁面原始碼和截圖也都不在話下。

到現在為止，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。

python3網路爬蟲開發實戰_Python3 爬蟲實戰
2022-01-24
Python爬蟲
[Python3網路爬蟲開發實戰] Charles 的使用
2019-12-08
Python爬蟲
Python3網路爬蟲開發實戰
2021-04-15
Python爬蟲
python3網路爬蟲開發實戰_Python 3開發網路爬蟲(一)
2020-12-07
Python爬蟲
《Python3網路爬蟲開發實戰》教程||爬蟲教程
2018-11-13
Python爬蟲
《python3網路爬蟲開發實戰》--pyspider
2018-10-18
Python爬蟲IDE
python3網路爬蟲開發實戰pdf
2021-11-30
Python爬蟲
[Python3網路爬蟲開發實戰] 分散式爬蟲原理
2019-12-08
Python爬蟲分散式
《Python3網路爬蟲開發實戰》開源啦！
2019-10-23
Python爬蟲
《Python3網路爬蟲開發實戰程式碼》基本庫使用
2019-05-05
Python爬蟲
Python3網路爬蟲開發實戰——第3章基本庫的使用
2019-02-25
Python爬蟲
[Python3網路爬蟲開發實戰] 7-動態渲染頁面爬取-3-Splash負載均衡配置
2018-03-30
Python爬蟲負載
【Python3網路爬蟲開發實戰】4-解析庫的使用-1 使用XPath
2019-02-26
Python爬蟲
【Python3網路爬蟲開發實戰】4-解析庫的使用-3 使用pyquery
2018-03-19
Python爬蟲
《Python3 網路爬蟲開發實戰》—學習筆記
2019-07-30
Python爬蟲筆記
Python3網路爬蟲開發實戰（第二版）
2022-01-15
Python爬蟲
【Python3網路爬蟲開發實戰】4-解析庫的使用-2 使用Beautiful Soup
2018-03-19
Python爬蟲
我的爬蟲入門書 —— 《Python3網路爬蟲開發實戰（第二版）》
2022-02-27
爬蟲Python
Python3網路爬蟲開發實戰——第1章開發環境
2022-02-02
Python爬蟲開發環境
面前最全《崔慶才python3網路爬蟲開發實戰》
2019-02-28
Python爬蟲
python3 網路爬蟲開發實戰貓眼top100
2020-02-15
Python爬蟲
[Python3網路爬蟲開發實戰] 2-爬蟲基礎 2-網頁基礎
2018-03-08
Python爬蟲網頁
讀書筆記：《Python3網路爬蟲開發實戰》——第2章：爬蟲基礎
2019-04-09
筆記Python爬蟲
Python 3網路爬蟲開發實戰
2021-04-28
Python爬蟲
《Python3網路爬蟲開發實戰》抽獎贈書活動
2018-06-13
Python爬蟲
python3網路爬蟲開發實戰【高清掃描帶目錄】
2019-08-18
Python爬蟲
【閱讀筆記】《Python3網路爬蟲開發實戰》PDF文件
2020-01-14
筆記Python爬蟲
【Python3網路爬蟲開發實戰】3-基本庫的使用-3正規表示式
2018-03-19
Python爬蟲
[Python3網路爬蟲開發實戰] 7-動態渲染頁面爬取-1-Selenium的使用
2019-02-28
Python爬蟲
[Python3網路爬蟲開發實戰] 2-爬蟲基礎 5-代理的基本原理
2019-02-17
Python爬蟲
網路爬蟲——爬蟲實戰（一）
2022-01-29
爬蟲
《網路爬蟲開發實戰案例》筆記
2020-08-10
爬蟲筆記
[Python3網路爬蟲開發實戰] 2-爬蟲基礎 1-HTTP基本原理
2018-03-08
Python爬蟲HTTP
Python3網路爬蟲快速入門實戰解析
2020-04-23
Python爬蟲
【Python3網路爬蟲開發實戰】3-基本庫的使用 1.1-傳送請求
2019-02-22
Python爬蟲
【Python3網路爬蟲開發實戰】3.4-抓取貓眼電影排行
2019-07-04
Python爬蟲
python3網路爬蟲開發實戰-線上版-可複製貼上
2019-07-05
Python爬蟲
2019最新崔慶才python3網路爬蟲開發專案實戰(完整)
2019-05-05
Python爬蟲

[Python3網路爬蟲開發實戰] --Splash的使用

1. 功能介紹

2. 準備工作

3. 例項引入

4. Splash Lua指令碼

非同步處理

5. Splash物件屬性

args

js_enabled

resource_timeout

images_enabled

plugins_enabled

scroll_position

6. Splash物件的方法

go()

wait()

jsfunc()

evaljs()

runjs()

autoload()

call_later()

http_get()

http_post()

set_content()

html()

png()

jpeg()

har()

url()

get_cookies()

add_cookie()

clear_cookies()

get_viewport_size()

set_viewport_size()

set_viewport_full()

set_user_agent()

set_custom_headers()

select()

select_all()

mouse_click()

7. Splash API呼叫

render.html

render.png

render.jpeg

render.har

render.json

execute

相關文章