前言

Splash是一個(gè)javascript渲染服務(wù)。它是一個(gè)帶有HTTP API的輕量級(jí)Web瀏覽器，使用Twisted和QT5在Python 3中實(shí)現(xiàn)。QT反應(yīng)器用于使服務(wù)完全異步，允許通過QT主循環(huán)利用webkit并發(fā)。

一些Splash功能：

• 并行處理多個(gè)網(wǎng)頁
• 獲取HTML源代碼或截取屏幕截圖
• 關(guān)閉圖像或使用Adblock Plus規(guī)則使渲染更快
• 在頁面上下文中執(zhí)行自定義JavaScript
• 可通過Lua腳本來控制頁面的渲染過程
• 在Splash-Jupyter 筆記本中開發(fā)Splash Lua腳本。
• 以HAR格式獲取詳細(xì)的渲染信息

1、Scrapy-Splash的安裝

Scrapy-Splash的安裝分為兩部分，一個(gè)是Splash服務(wù)的安裝，具體通過Docker來安裝服務(wù)，運(yùn)行服務(wù)會(huì)啟動(dòng)一個(gè)Splash服務(wù)，通過它的接口來實(shí)現(xiàn)JavaScript頁面的加載；另外一個(gè)是Scrapy-Splash的Python庫(kù)的安裝，安裝后就可在Scrapy中使用Splash服務(wù)了，下面我們分三部份來安裝：

(1)安裝Docker

#安裝所需要的包：
yum install -y yum-utils device-mapper-persistent-data lvm2
#設(shè)置穩(wěn)定存儲(chǔ)庫(kù)：
yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo
#開始安裝DOCKER CE：
yum install docker-ce
#啟動(dòng)dockers：
systemctl start docker
#測(cè)試安裝是否正確：
docker run hello-world

(2)安裝splash服務(wù)

通過Docker安裝Scrapinghub/splash鏡像，然后啟動(dòng)容器，創(chuàng)建splash服務(wù)

docker pull scrapinghub/splash
docker run -d -p 8050:8050 scrapinghub/splash
#通過瀏覽器訪問8050端口驗(yàn)證安裝是否成功

(3)Python包Scrapy-Splash安裝

pip3 install scrapy-splash

2、Splash Lua腳本

運(yùn)行splash服務(wù)后，通過web頁面訪問服務(wù)的8050端口如:http://localhost:8050即可看到其web頁面，如下圖：

上面有個(gè)輸入框，默認(rèn)是http://google.com，我們可以換成想要渲染的網(wǎng)頁如：https://www.baidu.com然后點(diǎn)擊Render me按鈕開始渲染，頁面返回結(jié)果包括渲染截圖、HAR加載統(tǒng)計(jì)數(shù)據(jù)、網(wǎng)頁源代碼:

從HAR中可以看到，Splash執(zhí)行了整個(gè)頁面的渲染過程，包括CSS、JavaScript的加載等，通過返回結(jié)果可以看到它分別對(duì)應(yīng)搜索框下面的腳本文件中return部分的三個(gè)返回值，html、png、har：

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(gè)腳本是使用Lua語言寫的，它首先使用go()方法加載頁面，wait()方法等待加載時(shí)間，然后返回源碼、截圖和HAR信息。

現(xiàn)在我們修改下它的原腳本，訪問www.baidu.com，通過javascript腳本，讓它返回title，然后執(zhí)行：

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

#返回結(jié)果：
Splash Response: Object

title: "百度一下，你就知道"

由此可以確定Splash渲染頁面的過程是通過此入口腳本來實(shí)現(xiàn)的，那么我們可以修改此腳本來滿足我們對(duì)抓取頁面的分析和結(jié)果返回，但此函數(shù)但名稱必須是main()，它返回的結(jié)果是一個(gè)字典形式也可以返回字符串形式的內(nèi)容：

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

#返回結(jié)果
Splash Response: Object
hello: "world"


function main(splash)
 return "world"
end

#返回結(jié)果
Splash Response: "world"

3、Splash對(duì)象的屬性與方法

在前面的例子中，main()方法的第一參數(shù)是splash，這個(gè)對(duì)象它類似于selenium中的WebDriver對(duì)象，可以調(diào)用它的屬性和方法來控制加載規(guī)程，下面介紹一些常用的屬性：

splash.args：該屬性可以獲取加載時(shí)陪在的參數(shù)，如URL，如果為GET請(qǐng)求，它可以獲取GET請(qǐng)求參數(shù)，如果為POST請(qǐng)求，它可以獲取表單提交的數(shù)據(jù)，splash.args可以使用函數(shù)的第二個(gè)可選參數(shù)args來進(jìn)行訪問

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

#上面的第二個(gè)參數(shù)args就相當(dāng)于splash.args屬性，如下代碼與上面是等價(jià)的

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

splash.js_enabled：?jiǎn)⒂没蛘呓庙撁嬷星度氲腏avaScript代碼的執(zhí)行，默認(rèn)為true，啟用JavaScript執(zhí)行

splash.resource_timeout：設(shè)置網(wǎng)絡(luò)請(qǐng)求的默認(rèn)超時(shí)，以秒為單位，如設(shè)置為0或nil則表示無超時(shí)：splash.resource_timeout=nil

splash.images_enabled：?jiǎn)⒂没蚪脠D片加載，默認(rèn)情況下是加載的：splash.images_enabled=true

splash.plugins_enabled：?jiǎn)⒂没蚪脼g覽器插件，默認(rèn)為禁止：splash.plugins_enabled=false

splash.scroll_position：獲取和設(shè)置主窗口的當(dāng)前位置：splash.scroll_position={x=50,y=600}

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

#它會(huì)向下滾動(dòng)400像素來獲取圖片

splash.html5_media_enabled： 啟用或禁用HTML5媒體,包括HTML5視頻和音頻(例如<video>元素播放)

splash對(duì)象的方法：

splash:go()  ：該方法用來請(qǐng)求某個(gè)鏈接，而且它可以模擬GET和POST請(qǐng)求，同時(shí)支持傳入請(qǐng)求頭，表單等數(shù)據(jù)，用法如下：

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

參數(shù)說明：url為請(qǐng)求的URL，baseurl為可選參數(shù)表示資源加載相對(duì)路徑，headers為可選參數(shù)，表示請(qǐng)求頭，http_method表示http請(qǐng)求方法的字符串默認(rèn)為GET,body為使用POST時(shí)發(fā)送表單數(shù)據(jù)，使用的Content-type為application/json，formdata默認(rèn)為空，POST請(qǐng)求時(shí)的表單數(shù)據(jù)，使用的Content-type為application/x-www-form-urlencoded

該方法返回結(jié)果是ok和reason的組合，如果ok為空則代表網(wǎng)頁加載錯(cuò)誤，reason變量中會(huì)包含錯(cuò)誤信息

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

splash.wait()  ：控制頁面的等待時(shí)間

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

tiem為等待的秒數(shù)，cancel_on_redirect表示發(fā)生重定向就停止等待，并返回重定向結(jié)果，默認(rèn)為false，cancel_on_error默認(rèn)為false，表示如果發(fā)生錯(cuò)誤就停止等待

返回結(jié)果同樣是ok和reason的組合

function main(splash, args)
 splash:go("https://www.toutiao.com")
 local ok reason = splash:wait(1)
 return {
 ok=ok,
 reason=reason
 }
end

#返回true說明返回頁面成功

splash:jsfunc()

lua_func = splash:jsfunc(func)

此方法可以直接調(diào)用JavaScript定義的函數(shù)，但所調(diào)用的函數(shù)需要用雙中括號(hào)包圍，它相當(dāng)于實(shí)現(xiàn)了JavaScript方法到Lua腳本到轉(zhuǎn)換，全局的JavaScript函數(shù)可以直接包裝

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

#
Splash Response: "There are 21 DIVs"

splash.evaljs()  ：在頁面上下文中執(zhí)行JavaScript代碼段并返回最后一個(gè)語句的結(jié)果

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

#返回頁面標(biāo)題

splash:runjs()  ：在頁面上下文中運(yùn)行JavaScript代碼，同evaljs差不多，但它更偏向于執(zhí)行某些動(dòng)作或聲明函數(shù)

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

splash:autoload()  ：將JavaScript設(shè)置為在每個(gè)頁面加載時(shí)自動(dòng)加載

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

參數(shù)：

• source_or_url - 包含JavaScript源代碼的字符串或用于加載JavaScript代碼的URL;
• source - 包含JavaScript源代碼的字符串;
• url - 從中​​加載JavaScript源代碼的URL

此方法只加載JavaScript代碼或庫(kù)，不執(zhí)行操作，如果要執(zhí)行操作可以調(diào)用evaljs()或runjs()方法

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


#加載JS庫(kù)文件
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

splash:call_later ：通過設(shè)置定時(shí)任務(wù)和延遲時(shí)間來實(shí)現(xiàn)任務(wù)延時(shí)執(zhí)行

timer = splash:call_later(callback, delay)   ：callback運(yùn)行的函數(shù)，delay延遲時(shí)間

function main(splash, args)
 local snapshots = {}
 local timer = splash:call_later(function()
 snapshots["a"] = splash:png()
 splash.scroll_position={y=500}
 splash:wait(1.0)
 snapshots["b"] = splash:png()
 end, 2)
 splash:go("https://www.toutiao.com")
 splash:wait(3.0)
 return snapshots
end

#等待2秒后執(zhí)行截圖然后再等待3秒后執(zhí)行截圖

splash:http_get() ：發(fā)送HTTP GET請(qǐng)求并返回相應(yīng)

response = splash:http_get{url, headers=nil, follow_redirects=true} ：url要加載的URL，headers添加HTTP頭，follw_redirects是否啟動(dòng)自動(dòng)重定向默認(rèn)為true

local reply = splash:http_get("http://example.com")

#返回一個(gè)響應(yīng)對(duì)象，不會(huì)講結(jié)果返回到瀏覽器

splash:http_post ：發(fā)送POST請(qǐng)求

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

dody指定表單數(shù)據(jù)

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

#
html:{"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":"221.218.181.223","url":"http://httpbin.org/post"}
status: 200
url: http://httpbin.org/post

splash:set_content()  ：設(shè)置當(dāng)前頁面的內(nèi)容

ok, reason = splash:set_content{data, mime_type="text/html; charset=utf-8", baseurl=""}

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

splash:html() ：獲取網(wǎng)頁的源代碼，結(jié)果為字符串

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

splash:png() ：獲取PNG格式的網(wǎng)頁截圖

splash:jpeg() ：獲取JPEG格式的網(wǎng)頁截圖

splash:har() ：獲取頁面加載過程描述

splash:url() ：獲取當(dāng)前正在訪問的URL

splash:get_cookies() ：獲取當(dāng)前頁面的cookies

splash:add_cookie() ：為當(dāng)前頁面添加cookie

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

#
Splash Response: Array[1]
0: Object
domain: "http://example.com"
httpOnly: false
name: "sessionid"
path: "/"
secure: false
value: "237465ghgfsd"

splash:clear_cookies() ：清除所有的cookies

splash:delete_cookies{name=nil,url=nil}  刪除指定的cookie

splash:get_viewport_size() ：獲取當(dāng)前瀏覽器頁面的大小，即寬高

splash:set_viewport_size(width,height) ：設(shè)置當(dāng)前瀏覽器頁面的大小，即寬高

splash:set_viewport_full() ：設(shè)置瀏覽器全屏顯示

splash:set_user_agent()  ：覆蓋設(shè)置請(qǐng)求頭的User-Agent

splash:get_custom_headers(headers) ：設(shè)置請(qǐng)求頭

function main(splash)
 splash:set_custom_headers({
  ["User-Agent"] = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36",
  ["Site"] = "httpbin.org",
 })
 splash:go("http://httpbin.org/get")
 return splash:html()
end

splash:on_request(callback) ：在HTTP請(qǐng)求之前注冊(cè)要調(diào)用的函數(shù)

splash:get_version() ：獲取splash版本信息

splash:mouse_press() ：觸發(fā)鼠標(biāo)按下事件

splash:mouse_release() ：觸發(fā)鼠標(biāo)釋放事件

splash:send_keys() ：發(fā)送鍵盤事件到頁面上下文，如發(fā)送回車鍵：splash:send_keys("key_Enter")

splash:send_text() ：將文本內(nèi)容發(fā)送到頁面上下文

splash:select() ：選中符合條件的第一個(gè)節(jié)點(diǎn)，如果有多個(gè)節(jié)點(diǎn)符合條件，則只會(huì)返回一個(gè)，其參數(shù)是CSS選擇器

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

splash:select_all() ：選中所有符合條件的節(jié)點(diǎn)，其參數(shù)是CSS選擇器

function main(splash)
 local treat = require('treat')
 assert(splash:go("https://www.zhihu.com"))
 assert(splash:wait(1))
 local texts = splash:select_all('.ContentLayout-mainColumn .ContentItem-title')
 local results = {}
 for index, text in ipairs(texts) do
 results[index] = text.node.textContent
 end
 return treat.as_array(results)
end

#返回所有節(jié)點(diǎn)下的文本內(nèi)容

splash:mouse_click() ：出發(fā)鼠標(biāo)單擊事件

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

其他splash scripts的屬性與方法請(qǐng)參考官方文檔：http://splash.readthedocs.io/en/latest/scripting-ref.html#splash-args

4、響應(yīng)對(duì)象

響應(yīng)對(duì)象是由splash方法返回的回調(diào)信息，如splash:http_get()或splash:http_post()，會(huì)被傳遞給回調(diào)splash:on_response和splash:on_response_headers，它們包括的響應(yīng)信息：

response.url：響應(yīng)的URL

response.status:響應(yīng)的HTTP狀態(tài)碼

response.ok：成功返回true否則返回false

response.headers：返回HTTP頭信息

response.info：具有HAR響應(yīng)格式的響應(yīng)數(shù)據(jù)表

response.body：返回原始響應(yīng)主體信息為二進(jìn)制對(duì)象，需要使用treat.as_string轉(zhuǎn)換為字符串

resonse.request：響應(yīng)的請(qǐng)求對(duì)象

response.abort：終止響應(yīng)

5、元素對(duì)象

元素對(duì)象包裝JavaScript DOM節(jié)點(diǎn)，創(chuàng)建某個(gè)方法返回任何類型的DOM節(jié)點(diǎn)，如Node，Element，HTMLElement等，splash:select和splash:select_all將返回元素對(duì)象

element:mouse_click() 出發(fā)元素上的鼠標(biāo)單擊事件

element:mouse_hover()在元素上觸發(fā)鼠標(biāo)懸停事件

elemnet:styles() 返回元素的計(jì)算樣式

element:bounds() 返回元素的邊界客戶端矩形

element:png()以PNG格式返回元素的屏幕截圖

element:jpeg() 以JPEG格式返回元素的屏幕截圖

element:visible() 檢查元素是否可見

element:focused() 檢查元素是否具有焦點(diǎn)

element:text() 從元素中獲取文本信息

element:info() 獲取元素的詳細(xì)信息

element:field_value() 獲取field元素的值,如input,select,textarea,button

element:form_values(values='auto'/'list'/'first') 如果元素類型是表單，則返回帶有表單的表，返回類型有三種格式

element:fill(values) 使用提供的值填寫表單

element:send_keys(keys) 將鍵盤事件發(fā)送到元素，如發(fā)送回車send_keys('key_Enter')，其他鍵請(qǐng)參考：http://doc.qt.io/qt-5/qt.html#

element:send_text() 發(fā)送字符串到元素

element:submit()提交表單元素

element:exists()檢查DOM中元素是否存在

element屬性：

element.node   它具有所有公開的元素DOM方法和屬性，但不包括splash定義的方法和屬性

element.inner_id  表示元素ID

外部繼承的支持的DOM屬性：（有一些是只讀的）

從HTMLElement繼承的屬性:

• accessKey
• accessKeyLabel (read-only)
• contentEditable
• isContentEditable (read-only)
• dataset (read-only)
• dir
• draggable
• hidden
• lang
• offsetHeight (read-only)
• offsetLeft (read-only)
• offsetParent (read-only)
• offsetTop (read-only)
• spellcheck
• style - a table with styles which can be modified
• tabIndex
• title
• translate

從 Element繼承的屬性:

• attributes (read-only) - a table with attributes of the element
• classList (read-only) - a table with class names of the element
• className
• clientHeight (read-only)
• clientLeft (read-only)
• clientTop (read-only)
• clientWidth (read-only)
• id
• innerHTML
• localeName (read-only)
• namespaceURI (read-only)
• nextElementSibling (read-only)
• outerHTML
• prefix (read-only)
• previousElementSibling (read-only)
• scrollHeight (read-only)
• scrollLeft
• scrollTop
• scrollWidth (read-only)
• tabStop
• tagName (read-only)

從 Node繼承的屬性:

• baseURI (read-only)
• childNodes (read-only)
• firstChild (read-only)
• lastChild (read-only)
• nextSibling (read-only)
• nodeName (read-only)
• nodeType (read-only)
• nodeValue
• ownerDocument (read-only)
• parentNode (read-only)
• parentElement (read-only)
• previousSibling (read-only)
• rootNode (read-only)
• textContent

6、Splash HTTP API調(diào)用

Splash通過HTTP API控制來發(fā)送GET請(qǐng)求或POST表單數(shù)據(jù)，它提供了這些接口，只需要在請(qǐng)求時(shí)傳遞相應(yīng)的參數(shù)即可獲得不同的內(nèi)容，下面來介紹下這些接口

(1)render.html  它返回JavaScript渲染頁面的HTML代碼

參數(shù)：

url：要渲染的網(wǎng)址，str類型

baseurl：用于呈現(xiàn)頁面的基本URL

timeout：渲染的超時(shí)時(shí)間默認(rèn)為30秒

resource_timeout：?jiǎn)蝹€(gè)網(wǎng)絡(luò)請(qǐng)求的超時(shí)時(shí)間

wait：加載頁面后等待更新的時(shí)間默認(rèn)為0

proxy：代理配置文件名稱或代理URL，格式為：[protocol://][user:password@]proxyhost[:port])

js：JavaScript配置

js_source：在頁面中執(zhí)行的JavaScript代碼

filtrs：以逗號(hào)分隔的請(qǐng)求過濾器名稱列表

allowed_domains：允許的域名列表

images：為1時(shí)下載圖像，為0時(shí)不下載圖像，默認(rèn)為1

headers：設(shè)置的HTTP標(biāo)頭，JSON數(shù)組

body：發(fā)送POST請(qǐng)求的數(shù)據(jù)

http_method：HTTP方法，默認(rèn)為GET

html5_media：是否啟用HTML5媒體，值為1啟用，0為禁用，默認(rèn)為0

import requests
url='http://172.16.32.136:8050/'
response=requests.get(url+'render.html?url=https://www.baidu.com&wait=3&images=0')
print(response.text) #返回網(wǎng)頁源代碼

（2）render.png   此接口獲取網(wǎng)頁的截圖PNG格式

import requests
url='http://172.16.32.136:8050/'
#指定圖像寬和高
response=requests.get(url+'render.png?url=https://www.taobao.com&wait=5&width=1000&height=700&render_all=1')
with open('taobao.png','wb') as f:
 f.write(response.content)

（3）render.jpeg 返回JPEG格式截圖

import requests
url='http://172.16.32.136:8050/'

response=requests.get(url+'render.jpeg?url=https://www.taobao.com&wait=5&width=1000&height=700&render_all=1')
with open('taobao.jpeg','wb') as f:
 f.write(response.content)

（4）render.har 此接口用于獲取頁面加載的HAR數(shù)據(jù)

import requests
url='http://172.16.32.136:8050/'
response=requests.get(url+'render.har?url=https://www.jd.com&wait=5')

print(response.text)

（5）render.json 此接口包含了前面接口的所有功能，返回結(jié)果是JSON格式

參數(shù)：

html：是否在輸出中包含HTML，html=1時(shí)包含html內(nèi)容，為0時(shí)不包含，默認(rèn)為0

png：是否包含PNG截圖，為1包含為0不包含默認(rèn)為0

jpeg：是否包含JPEG截圖，為1包含為0不包含默認(rèn)為0

iframes：是否在輸出中包含子幀的信息，默認(rèn)為0

script：是否輸出包含執(zhí)行的JavaScript語句的結(jié)果

console：是否輸出中包含已執(zhí)行的JavaScript控制臺(tái)消息

history：是否包含網(wǎng)頁主框架的請(qǐng)求與響應(yīng)的歷史記錄

har：是否輸出中包含HAR信息

import requests
url='http://172.16.32.136:8050/'
response=requests.get(url+'render.json?url=https://httpbin.org&html=1&png=1&history=1&har=1')

print(response.text)

（6）execute  用此接口可以實(shí)現(xiàn)與Lua腳本的對(duì)接，它可以實(shí)現(xiàn)與頁面的交互操作

參數(shù)：

lua_source：Lua腳本文件

timeout：設(shè)置超時(shí)

allowed_domains：指定允許的域名列表

proxy：指定代理

filters：指定篩選條件

import requests
from urllib.parse import quote
lua='''
function main(splash)
 return 'hello'
end
'''
url='http://172.16.32.136:8050/execute?lua_source='+quote(lua)
response=requests.get(url)
print(response.text)

通過Lua腳本獲取頁面的body,url和狀態(tài)碼：

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://172.16.32.136:8050/execute?lua_source='+quote(lua)
response=requests.get(url)
print(response.text)

#
{"status": 200, "html": "{\"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\":\"221.218.181.223\",\"url\":\"http://httpbin.org/get\"}\n", "url": http://httpbin.org/get}

7、實(shí)例

抓取JD python書籍?dāng)?shù)據(jù)：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2018/7/9 13:33
# @Author : Py.qi
# @File : JD.py
# @Software: PyCharm
import re

import requests
import pymongo
from pyquery import PyQuery as pq

client=pymongo.MongoClient('localhost',port=27017)
db=client['JD']

def page_parse(html):
 doc=pq(html,parser='html')
 items=doc('#J_goodsList .gl-item').items()
 for item in items:
  if item('.p-img img').attr('src'):
   image=item('.p-img img').attr('src')
  else:
   image=item('.p-img img').attr('data-lazy-img')
  texts={
   'image':'https:'+image,
   'price':item('.p-price').text()[:6],
   'title':re.sub('\n','',item('.p-name').text()),
   'commit':item('.p-commit').text()[:-3],

  }
  yield texts

def save_to_mongo(data):
 if db['jd_collection'].insert(data):
  print('保存到MongoDB成功',data)
 else:
  print('MongoDB存儲(chǔ)錯(cuò)誤',data)

def main(number):
 url='http://192.168.146.140:8050/render.html?url=https://search.jd.com/Search?keyword=python&page={}&wait=1&images=0'.format(number)
 response=requests.get(url)
 data=page_parse(response.text)
 for i in data:
  save_to_mongo(i)
  #print(i)

if __name__ == '__main__':
 for number in range(1,200,2):
  print('開始抓取第{}頁'.format(number))
  main(number)

 更多內(nèi)容請(qǐng)查看官方文檔：http://splash.readthedocs.io/en/stable/

 總結(jié)

以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問大家可以留言交流，謝謝大家對(duì)腳本之家的支持。

最新評(píng)論