基础篇(6) splash应用

最新推荐文章于 2024-05-01 13:23:03 发布

mykefei

最新推荐文章于 2024-05-01 13:23:03 发布

阅读量1.3k

点赞数

分类专栏： python爬虫应用文章标签： splash

本文链接：https://blog.csdn.net/u013089490/article/details/96099915

版权

python爬虫应用专栏收录该内容

5 篇文章 0 订阅

订阅专栏

selenium是浏览器测试自动化工具，很容易完成鼠标点击，翻页等动作，确定是一次只能加载一个页面，无法异步渲染页面，也就限制了selenium爬虫的抓取效率。

splash可以实现异步渲染页面，可以同时渲染几个页面。缺点是在页面点击，，模拟登陆方面没有selenium灵活。

1、docker安装splash

docker安装splash镜像
[ywadmin@wzy_woyun ~]$docker pull scrapinghub/splash
#后台运行
[ywadmin@wzy_woyun ~]$ docker run -d -p 8050:8050 --name=splash scrapinghub/splash
#root用户开放8050端口
[root@wzy_woyun ~]# firewall-cmd --permanent --add-port=8050/tcp
success
[root@wzy_woyun ~]# firewall-cmd --reload
Success

2、splash中的对象

2.1、args属性

该属性可以获取加载时配置的参数，比如url。

function main(splash, args)

local url = args.url

end

上面的代码等同于下面

function main(splash, args)

local url = splash.args.url

end

3.2、js_enabled属性

接着我们重新代用eval()方法执行JavaScript代码，运行时发现报错。这个属性是splash的JavaScript执行开关，可以将其配置为true或者false来控制是否执行JavaScript代码，默认为true。

function main(splash, args)
  splash:go("https://www.baidu.com")
  splash:js_enabled = false -- 禁止加载JavaScript代码
  splash:wait(0.5)
  local title = splash:evaljs("document.title") --获取网页标题
  return {
    html = splash:html(),
    title = title,   
  }
end

接着我们重新代用eval()方法执行JavaScript代码，运行时发现报错。

一般不用设置次属性，默认是开启的。

2.3、resource_timeout属性

属性可以设置加载的超时时间，单位是秒。如果设置为0或者nil(类似py中的None)，表示不进行超时检测。

function main(splash, args)
  splash.resource_timeout = 5
  splash:go("https://www.taobao.com")
  return splash:html()
end

2.4、images_enabled属性

images_enabled属性表示可以设置图片是否加载，默认情况下是加载的，默认为true。如果设置图片不加载，那么加载网页速度会快。

function main(splash, args)
  splash.images_enabled = false
  splash:go("https://www.taobao.com")
  return {splash:html(),
  				splash.png
  }
end

2.5、plugins_enabled属性

该属性表示是否开启浏览器插件。默认情况是开启，默认值为true。

function main(splash, args)
  splash.plugins_enabled = false
  splash:go("https://www.taobao.com")
  return {splash:html(),
  				splash.png(),
  }
end

2.6、scroll_position属性

控制浏览页面上下或者左右滚动，这个属性是比较常用的属性。

function main(splash, args) 
  splash:go("https://www.taobao.com")
  splash.scroll_postion={x=300,y=500}
  return {splash:html(),
  				splash.png()
  }
end

其中x=300表示向右移动300像素，y=500表示向下移动500像素。

3、splash中的方法

3.1、go()方法

go方法用来请求某个链接，而且它可以模拟get和post请求，同时支持传入请求头、表单等数据。

function main(splash)
    splash:go{"http://www.sxt.cn", http_method="POST", body="name=17703181473"}
    splash:wait(2)
    return {html=splash:html()}
end

3.2、wait()方法

wait()方法控制页面的等待时间：

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

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

3.3、jsfunc()方法

直接调用JavaScript定义的方法，但是所调用的方法需要用双中括号包围，这相当于实现了JavaScript方法到Lua脚本的转换。

function main(splash, args)
  splash:go("http://www.baidu.cn")
  local scroll_to = splash:jsfunc("window.scrollTo")
  scroll_to(0, 300)
  return {
    png = splash:png(),
    html = splash:html()
  }
end

3.4、evaljs()方法和runjs()方法

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

3.5、send_text()

send_text()方法是填写文本的功能

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

3.6、url()方法

获取当前在访问的URL

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

3.7、get_cookies()方法

function main(splash, args)
  splash:go("http://www.baidu.com")
  splash:wait(2)
  local cookies = splash:get_cookies()
  return {
    cookies = cookies,
    html = splash:html(),
    png = splash:png(),
    har = splash:har(),
  }
end

3.7、 add_cookie()方法

添加cookies

【语法】

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

function main(splash)
    splash:add_cookie{"sessionid", "123456abcdef", "/", domain="http://bjsxt.com"}
    splash:go("http://bjsxt.com/")
    return splash:html()
end

3.8、clear_cookies()方法

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

3.9、set_user_agent()方法

function main(splash, args)
  splash:set_user_agent("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36")
  splash:go("http://httpbin.org/get")
  splash:wait(5)
  return {
    html = splash:html(),
    png = splash:png(),   
  }
end

注意set_user_agent()方法后面直接跟具体的值。

3.10、set_custom_headers()方法

set_custom_headers()方法是用来设置请求头信息。

function main(splash, args)
  splash:set_custom_headers({
      ["User-Agent"]="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36",
      ["Host"]="www.httpbin.org"
    })
  splash:go("http://httpbin.org/get")
  splash:wait(5)
  return {
    html = splash:html(),
    png = splash:png(),   
  }
end

4、splash与python整合

Splash与Python结合其实就python调用splash的api。

4.1、render.html应用

import requests
from urllib.parse import quote
# 1、render.html
# 次接口用于获取JavaScript渲染的页面的HTML代码，接口地址就是Splash的运行地址加次接口名称，如http://192.168.2.10:8050/render.html
url = "http://192.168.2.10:8050/render.html?url=http://www.hnwznz.com&wait=2"
response = requests.get(url)
print(response.text)

# 2、render.png 此接口可以获取网页截图
url_2= "http://192.168.2.10:8050/render.png?url=https://www.jd.com&wait=3&width=1000&height=700"
response_2 = requests.get(url_2)
with open("jd.png","wb") as f:
    f.write(response.content)

4.2、execute的调用

#3、execute 作为最强大的接口，用次接口便可实现与Lua脚本的对接。

lua = """
function main(splash, args)
 return "hello"
end
"""
url_3 = "http://192.168.2.10:8050/execute?lua_source="+quote(lua)
response_3 = requests.get(url_3)
print(response_3.text)

【例子】

import requests
from fake_useragent import UserAgent
from urllib.parse import quote
url = "https://www.guazi.com/bj/buy/"
lua_script = '''
function main(splash, args)
    splash:go('{}')
    splash:wait(1)
    return splash:html()
end
'''.format(url)
splash_url = "http://192.168.2.10:8050/execute?lua_source={}".format(quote(lua_script))
response = requests.get(splash_url, headers={"User-Agent": UserAgent().random})
response.encoding = 'utf-8'
print(response.text)

5、应用例子

5.1、爬取京东商品

import json
import requests
from lxml import etree
from urllib.parse import quote
lua = '''
function main(splash, args)
    local treat = require("treat")
    local response = splash:http_get("https://search.jd.com/Search?keyword=相机&enc=utf-8")
        return {
            html = treat.as_string(response.body),
            url = response.url,
            status = response.status
        }    
end
'''
# 线上部署的服务，需要将localhost换成服务器的公网地址（不是内网地址）
url = 'http://192.168.2.10:8050/execute?lua_source=' + quote(lua)
response = requests.get(url)
# 由于使用splash，response.text返回结果为{"status":200,"html":"xxxxxxxxx","url":"yyyyyy"}
html = json.loads(response.text)['html']
# print(html)
tree = etree.HTML(html)

# 单品
products_1 = tree.xpath('//div[@class="gl-i-wrap"]')
for item in products_1:
    try:
        name_1 = item.xpath('./div[@class="p-name p-name-type-2"]/a/em/text()')[0]
        price_1 = item.xpath('./div[@class="p-price"]/strong/@data-price | ./div[@class="p-price"]/strong/i/text()')[0]
        print(name_1)
        print(price_1)
    except:
        pass
print("="*90)

mykefei

关注

0
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
基础篇(6) splash应用

selenium是浏览器测试自动化工具，很容易完成鼠标点击，翻页等动作，确定是一次只能加载一个页面，无法异步渲染页面，也就限制了selenium爬虫的抓取效率。 splash可以实现异步渲染页面，可以同时渲染几个页面。缺点是在页面点击，，模拟登陆方面没有selenium灵活。1、docker安装splashdocker安装splash镜像[ywadmin@wzy_w...
复制链接

扫一扫