python pyppeteer学习笔记

简介

Pyppeteer是Puppeteer的非官方Python支持，Puppeteer是一个无头JavaScript的基于Chrome/Chromium浏览器自动化库，可以用于对渲染网页的抓取。

优点

• 免安装chrome。第一次使用时，会自动下载安装chromium（chromium相当于chrome的开发版本）。
  
• 可直接抓取JavaScript渲染结果

安装

pip install pyppeteer

使用

• 启动浏览器

browser = await launch(headless=False)

headless默认为True，即无界面启动。

• 创建页面

page = await browser.newPage()

• 设置页面大小

page.setViewport({'width': 1200, 'height': 800})

• 访问url

page.goto(url)

• 查询所有页面

browser.pages()

• 返回页面源代码

page.content()

• 输入字符串

page.type(selector, text)

selector用于确认节点位置。

• Type selector
  • 语法: eltname
  • 例子: input对应<input>
• Class selector
  • 语法: .classname
  • 例子: .index对应class=index
• ID selector
  • 语法: #idname
  • 例子: #index对应id=index
• Universal selector
  选择所有元素，或者可以限制到特定的名称空间或所有名称空间。
  • 语法: * ns|* *|*
  • 例子: *会匹配到所有元素
• Attribute selector
  • 语法: [attr] [attr=value] [attr~=value] [attr|=value] [attr^=value] [attr$=value] [attr*=value]
  • 例子: [autoplay]将匹配所有设置了autoplay attr对象的元素（任何值）。

• 鼠标单击

page.click(selector)

• 截图

page.screenshot({'path': 'example.png'})

具体用法可参考Puppeteer中文教程。

例子

Pyppeteer 是基于 Python 的新特性 async 实现，里面进行了异步操作，所以需要配合 async/await 关键词来实现。

Pyppeteer访问页面后，使用page.content()获取源代码，用 pyquery 解析获得JavaScript 渲染的结果。

今日头条搜索python并爬取前10条标题。

import asyncio
from pyppeteer import launch
from pyquery import PyQuery as pq


async def main():
    browser = await launch(headless=False)
    page = await browser.newPage()
    await page.setViewport({'width': 1200, 'height': 800})
    await page.goto('https://www.toutiao.com')
    await asyncio.sleep(5)
    # 在搜索框中输入python
    await page.type('input.tt-input__inner', 'python')

    # 点击搜索按钮
    await page.click('button.tt-button')
    await asyncio.sleep(5)

    # print(page.url)
    # 今日头条点击后新开一个页面, 通过打印url可以看出page还停留在原页面
    # 以下用于切换至新页面
    pages = await browser.pages()
    page = pages[-1]
    # print(page.url)

    page_source = await page.content()
    text = pq(page_source)
    await page.goto(url="https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset=60&format=json&keyword=python&autoload=true&count=20&en_qc=1&cur_tab=1&from=search_tab&pd=synthesis&timestamp=1555589585193")
    for i in range(1, 10):
        print(text("#J_section_{} > div > div > div.normal.rbox > div > div.title-box > a > span".format(i)).text())

    await browser.close()

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

参考

• 别只用 Selenium，新神器 Pyppeteer 绕过淘宝更简单！
  

• 使用Pyppeteer抓取渲染网页