Python3爬蟲中Splash的知識總結(jié)

更新時間：2020年07月10日 14:17:50 作者：愛喝馬黛茶的安東尼

在本篇文章里小編給大家整理的是關(guān)于Python3爬蟲中Splash的知識總結(jié)內(nèi)容，需要的朋友們可以學(xué)習(xí)參考下。

Splash是一個JavaScript渲染服務(wù)，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，我們同樣可以實現(xiàn)動態(tài)渲染頁面的抓取。

1. 功能介紹

·利用Splash，我們可以實現(xiàn)如下功能：

·異步方式處理多個網(wǎng)頁渲染過程；

·獲取渲染后的頁面的源代碼或截圖；

·通過關(guān)閉圖片渲染或者使用Adblock規(guī)則來加快頁面渲染速度；

·可執(zhí)行特定的JavaScript腳本；

·可通過Lua腳本來控制頁面渲染過程；

·獲取渲染的詳細(xì)過程并通過HAR（HTTP Archive）格式呈現(xiàn)。

接下來，我們來了解一下它的具體用法。

2. 準(zhǔn)備工作

在開始之前，請確保已經(jīng)正確安裝好了Splash并可以正常運行服務(wù)。如果沒有安裝，可以參考第1章。

3. 實例引入

首先，通過Splash提供的Web頁面來測試其渲染過程。例如，我們在本機8050端口上運行了Splash服務(wù)，打開http://localhost:8050/即可看到其Web頁面，如圖7-6所示。

圖7-6 Web頁面

在圖7-6右側(cè)，呈現(xiàn)的是一個渲染示例?？梢钥吹?，上方有一個輸入框，默認(rèn)是http://google.com，這里換成百度測試一下，將內(nèi)容更改為https://www.baidu.com，然后點擊Render me按鈕開始渲染，結(jié)果如圖7-7所示。

圖7-7 運行結(jié)果

可以看到，網(wǎng)頁的返回結(jié)果呈現(xiàn)了渲染截圖、HAR加載統(tǒng)計數(shù)據(jù)、網(wǎng)頁的源代碼。

通過HAR的結(jié)果可以看到，Splash執(zhí)行了整個網(wǎng)頁的渲染過程，包括CSS、JavaScript的加載等過程，呈現(xiàn)的頁面和我們在瀏覽器中得到的結(jié)果完全一致。

那么，這個過程由什么來控制呢？重新返回首頁，可以看到實際上是有一段腳本，內(nèi)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

這個腳本實際上是用Lua語言寫的腳本。即使不懂這個語言的語法，但從腳本的表面意思，我們也可以大致了解到它首先調(diào)用go()方法去加載頁面，然后調(diào)用wait()方法等待了一定時間，最后返回了頁面的源碼、截圖和HAR信息。

到這里，我們大體了解了Splash是通過Lua腳本來控制了頁面的加載過程的，加載過程完全模擬瀏覽器，最后可返回各種格式的結(jié)果，如網(wǎng)頁源碼和截圖等。

接下來，我們就來了解Lua腳本的寫法以及相關(guān)API的用法。

4. Splash Lua腳本

Splash可以通過Lua腳本執(zhí)行一系列渲染操作，這樣我們就可以用Splash來模擬類似Chrome、PhantomJS的操作了。

首先，我們來了解一下Splash Lua腳本的入口和執(zhí)行方式。

入口及返回值

首先，來看一個基本實例：

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

我們將代碼粘貼到剛才打開的http://localhost:8050/的代碼編輯區(qū)域，然后點擊Render me!按鈕來測試一下。

我們看到它返回了網(wǎng)頁的標(biāo)題，如圖7-8所示。這里我們通過evaljs()方法傳入JavaScript腳本，而document.title的執(zhí)行結(jié)果就是返回網(wǎng)頁標(biāo)題，執(zhí)行完畢后將其賦值給一個title變量，隨后將其返回。

圖7-8 運行結(jié)果

注意，我們在這里定義的方法名稱叫作main()。這個名稱必須是固定的，Splash會默認(rèn)調(diào)用這個方法。

該方法的返回值既可以是字典形式，也可以是字符串形式，最后都會轉(zhuǎn)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(nèi)容。例如：

function main(splash)
    return 'hello'
end

返回了一個字符串形式的內(nèi)容。

異步處理

Splash支持異步處理，但是這里并沒有顯式指明回調(diào)方法，其回調(diào)的跳轉(zhuǎn)是在Splash內(nèi)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

運行結(jié)果是3個站點的截圖，如圖7-9所示。

圖7-9 運行結(jié)果

在腳本內(nèi)調(diào)用的wait()方法類似于Python中的sleep()，其參數(shù)為等待的秒數(shù)。當(dāng)Splash執(zhí)行到此方法時，它會轉(zhuǎn)而去處理其他任務(wù)，然后在指定的時間過后再回來繼續(xù)處理。

這里值得注意的是，Lua腳本中的字符串拼接和Python不同，它使用的是..操作符，而不是+。如果有必要，可以簡單了解一下Lua腳本的語法，詳見http://www.runoob.com/lua/lua-basic-syntax.html。

另外，這里做了加載時的異常檢測。go()方法會返回加載頁面的結(jié)果狀態(tài)，如果頁面出現(xiàn)4xx或5xx狀態(tài)碼，ok變量就為空，就不會返回加載后的圖片。

5. Splash對象屬性

我們注意到，前面例子中main()方法的第一個參數(shù)是splash，這個對象非常重要，它類似于Selenium中的WebDriver對象，我們可以調(diào)用它的一些屬性和方法來控制加載過程。接下來，先看下它的屬性。

args

該屬性可以獲取加載時配置的參數(shù)，比如URL，如果為GET請求，它還可以獲取GET請求參數(shù)；如果為POST請求，它可以獲取表單提交的數(shù)據(jù)。Splash也支持使用第二個參數(shù)直接作為args，例如：

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

這里第二個參數(shù)args就相當(dāng)于splash.args屬性，以上代碼等價于：

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

js_enabled

這個屬性是Splash的JavaScript執(zhí)行開關(guān)，可以將其配置為true或false來控制是否執(zhí)行JavaScript代碼，默認(rèn)為true。例如，這里禁止執(zhí)行JavaScript代碼：

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

接著我們重新調(diào)用了evaljs()方法執(zhí)行JavaScript代碼，此時運行結(jié)果就會拋出異常：

{
    "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(shè)置此屬性，默認(rèn)開啟即可。

resource_timeout

此屬性可以設(shè)置加載的超時時間，單位是秒。如果設(shè)置為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，這里將超時時間設(shè)置為0.1秒。如果在0.1秒之內(nèi)沒有得到響應(yīng)，就會拋出異常，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(wǎng)頁加載速度較慢的情況下設(shè)置。如果超過了某個時間無響應(yīng)，則直接拋出異常并忽略即可。

images_enabled

此屬性可以設(shè)置圖片是否加載，默認(rèn)情況下是加載的。禁用該屬性后，可以節(jié)省網(wǎng)絡(luò)流量并提高網(wǎng)頁加載速度。但是需要注意的是，禁用圖片加載可能會影響JavaScript渲染。因為禁用圖片之后，它的外層DOM節(jié)點的高度會受影響，進(jìn)而影響DOM節(jié)點的位置。因此，如果JavaScript對圖片節(jié)點有操作的話，其執(zhí)行就會受到影響。

另外值得注意的是，Splash使用了緩存。如果一開始加載出來了網(wǎng)頁圖片，然后禁用了圖片加載，再重新加載頁面，之前加載好的圖片可能還會顯示出來，這時直接重啟Splash即可。

禁用圖片加載的示例如下：

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，加載速度也會快很多。

plugins_enabled

此屬性可以控制瀏覽器插件（如Flash插件）是否開啟。默認(rèn)情況下，此屬性是false，表示不開啟。可以使用如下代碼控制其開啟和關(guān)閉：

splash.plugins_enabled = true/false

scroll_position

通過設(shè)置此屬性，我們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

這樣我們就可以控制頁面向下滾動400像素值，結(jié)果如圖7-10所示。

圖7-10 運行結(jié)果

如果要讓頁面左右滾動，可以傳入x參數(shù)，代碼如下：

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

6. Splash對象的方法

除了前面介紹的屬性外，Splash對象還有如下方法。

go()

該方法用來請求某個鏈接，而且它可以模擬GET和POST請求，同時支持傳入請求頭、表單等數(shù)據(jù)，其用法如下：

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

其參數(shù)說明如下。

url：請求的URL。

baseurl：可選參數(shù)，默認(rèn)為空，表示資源加載相對路徑。

headers：可選參數(shù)，默認(rèn)為空，表示請求頭。

http_method：可選參數(shù)，默認(rèn)為GET，同時支持POST。

body：可選參數(shù)，默認(rèn)為空，發(fā)POST請求時的表單數(shù)據(jù)，使用的Content-type為application/json。

formdata：可選參數(shù)，默認(rèn)為空，POST的時候的表單數(shù)據(jù)，使用的Content-type為application/x-www-form-urlencoded。

該方法的返回結(jié)果是結(jié)果ok和原因reason的組合，如果ok為空，代表網(wǎng)頁加載出現(xiàn)了錯誤，此時reason變量中包含了錯誤的原因，否則證明頁面加載成功。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

這里我們模擬了一個POST請求，并傳入了POST的表單數(shù)據(jù)，如果成功，則返回頁面的源代碼。

運行結(jié)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，我們成功實現(xiàn)了POST請求并發(fā)送了表單數(shù)據(jù)。

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}

參數(shù)說明如下。

time：等待的秒數(shù)。

cancel_on_redirect：可選參數(shù)，默認(rèn)為false，表示如果發(fā)生了重定向就停止等待，并返回重定向結(jié)果。

cancel_on_error：可選參數(shù)，默認(rèn)為false，表示如果發(fā)生了加載錯誤，就停止等待。

返回結(jié)果同樣是結(jié)果ok和原因reason的組合。

我們用一個實例感受一下：

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

這可以實現(xiàn)訪問淘寶并等待2秒，隨后返回頁面源代碼的功能。

jsfunc()

此方法可以直接調(diào)用JavaScript定義的方法，但是所調(diào)用的方法需要用雙中括號包圍，這相當(dāng)于實現(xiàn)了JavaScript方法到Lua腳本的轉(zhuǎn)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

運行結(jié)果如下：

There are 21 DIVs

首先，我們聲明了一個JavaScript定義的方法，然后在頁面加載成功后調(diào)用了此方法計算出了頁面中div節(jié)點的個數(shù)。

關(guān)于JavaScript到Lua腳本的更多轉(zhuǎn)換細(xì)節(jié)，可以參考官方文檔：https://splash.readthedocs.io/en/stable/scripting-ref.html#splash-jsfunc。

evaljs()

此方法可以執(zhí)行JavaScript代碼并返回最后一條JavaScript語句的返回結(jié)果，使用方法如下：

result = splash:evaljs(js)

比如，可以用下面的代碼來獲取頁面標(biāo)題：

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

runjs()

此方法可以執(zhí)行JavaScript代碼，它與evaljs()的功能類似，但是更偏向于執(zhí)行某些動作或聲明某些方法。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

這里我們用runjs()先聲明了一個JavaScript定義的方法，然后通過evaljs()來調(diào)用得到的結(jié)果。

運行結(jié)果如下：

bar

autoload()

此方法可以設(shè)置每個頁面訪問時自動加載的對象，使用方法如下：

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

參數(shù)說明如下。

source_or_url：JavaScript代碼或者JavaScript庫鏈接。

source：JavaScript代碼。

url：JavaScript庫鏈接

但是此方法只負(fù)責(zé)加載JavaScript代碼或庫，不執(zhí)行任何操作。如果要執(zhí)行操作，可以調(diào)用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

這里我們調(diào)用autoload()方法聲明了一個JavaScript方法，然后通過evaljs()方法來執(zhí)行此JavaScript方法。

運行結(jié)果如下：

百度一下，你就知道

另外，我們也可以使用autoload()方法加載某些方法庫，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

運行結(jié)果如下：

JQuery version: 2.1.3

call_later()

此方法可以通過設(shè)置定時任務(wù)和延遲時間來實現(xiàn)任務(wù)延時執(zhí)行，并且可以在執(zhí)行前通過cancel()方法重新執(zhí)行定時任務(wù)。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

這里我們設(shè)置了一個定時任務(wù)，0.2秒的時候獲取網(wǎng)頁截圖，然后等待1秒，1.2秒時再次獲取網(wǎng)頁截圖，訪問的頁面是淘寶，最后將截圖結(jié)果返回。運行結(jié)果如圖7-11所示。

圖7-11 運行結(jié)果

可以發(fā)現(xiàn)，第一次截圖時網(wǎng)頁還沒有加載出來，截圖為空，第二次網(wǎng)頁便加載成功了。

http_get()

此方法可以模擬發(fā)送HTTP的GET請求，使用方法如下：

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

參數(shù)說明如下。

url：請求URL。

headers：可選參數(shù)，默認(rèn)為空，請求頭。

follow_redirects：可選參數(shù)，表示是否啟動自動重定向，默認(rèn)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

運行結(jié)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"

和http_get()方法類似，此方法用來模擬發(fā)送POST請求，不過多了一個參數(shù)body，使用方法如下：

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

參數(shù)說明如下。

url：請求URL。

headers：可選參數(shù)，默認(rèn)為空，請求頭。

follow_redirects：可選參數(shù)，表示是否啟動自動重定向，默認(rèn)為true。

body：可選參數(shù)，即表單數(shù)據(jù)，默認(rèn)為空。

我們用實例感受一下：

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

運行結(jié)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，這里我們成功模擬提交了POST請求并發(fā)送了表單數(shù)據(jù)。

set_content()

此方法用來設(shè)置頁面的內(nèi)容，示例如下：

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

運行結(jié)果如圖7-12所示。

圖7-12 運行結(jié)果

html()

此方法用來獲取網(wǎng)頁的源代碼，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

運行結(jié)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(wǎng)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(wǎng)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加載過程描述，示例如下：

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

運行結(jié)果如圖7-13所示，其中顯示了頁面加載過程中每個請求記錄的詳情。

圖7-13 運行結(jié)果

url()

此方法可以獲取當(dāng)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

運行結(jié)果如下：

https://www.baidu.com/

get_cookies()

此方法可以獲取當(dāng)前頁面的Cookies，示例如下：

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

運行結(jié)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"

此方法可以為當(dāng)前頁面添加Cookie，用法如下：

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

該方法的各個參數(shù)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

這里我們清除了所有的Cookies，然后調(diào)用get_cookies()將結(jié)果返回。

運行結(jié)果如下：

Splash Response: Array[0]

可以看到，Cookies被全部清空，沒有任何結(jié)果。

get_viewport_size()

此方法可以獲取當(dāng)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

運行結(jié)果如下：

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

set_viewport_size()

此方法可以設(shè)置當(dāng)前瀏覽器頁面的大小，即寬高，用法如下：

splash:set_viewport_size(width, height)

例如，這里訪問一個寬度自適應(yīng)的頁面：

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

運行結(jié)果如圖7-14所示。

圖7-14 運行結(jié)果

set_viewport_full()

此方法可以設(shè)置瀏覽器全屏顯示，示例如下：

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

此方法可以設(shè)置瀏覽器的User-Agent，示例如下：

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

這里我們將瀏覽器的User-Agent設(shè)置為Splash，運行結(jié)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(shè)置。

set_custom_headers()

此方法可以設(shè)置請求頭，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

這里我們設(shè)置了請求頭中的User-Agent和Site屬性，運行結(jié)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>

該方法可以選中符合條件的第一個節(jié)點，如果有多個節(jié)點符合條件，則只會返回一個，其參數(shù)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

這里我們首先訪問了百度，然后選中了搜索框，隨后調(diào)用了send_text()方法填寫了文本，然后返回網(wǎng)頁截圖。

結(jié)果如圖7-15所示，可以看到，我們成功填寫了輸入框。

圖7-15 運行結(jié)果

select_all()

此方法可以選中所有符合條件的節(jié)點，其參數(shù)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

這里我們通過CSS選擇器選中了節(jié)點的正文內(nèi)容，隨后遍歷了所有節(jié)點，將其中的文本獲取下來。

運行結(jié)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(fā)現(xiàn)，我們成功地將10個節(jié)點的正文內(nèi)容獲取了下來。

mouse_click()

此方法可以模擬鼠標(biāo)點擊操作，傳入的參數(shù)為坐標(biāo)值x和y。此外，也可以直接選中某個節(jié)點，然后調(diào)用此方法，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

這里我們首先選中頁面的輸入框，輸入了文本，然后選中“提交”按鈕，調(diào)用了mouse_click()方法提交查詢，然后頁面等待三秒，返回截圖，結(jié)果如圖7-16所示。

圖7-16 運行結(jié)果

可以看到，這里我們成功獲取了查詢后的頁面內(nèi)容，模擬了百度搜索操作。

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(xì)和權(quán)威的說明可以參見官方文檔https://splash.readthedocs.io/en/stable/scripting-ref.html，此頁面介紹了Splash對象的所有API操作。另外，還有針對頁面元素的API操作，鏈接為https://splash.readthedocs.io/en/stable/scripting-element-object.html。

7. Splash API調(diào)用

前面說明了Splash Lua腳本的用法，但這些腳本是在Splash頁面中測試運行的，如何才能利用Splash渲染頁面呢？怎樣才能和Python程序結(jié)合使用并抓取JavaScript渲染的頁面呢？

其實Splash給我們提供了一些HTTP API接口，我們只需要請求這些接口并傳遞相應(yīng)的參數(shù)即可，下面簡要介紹這些接口。

render.html

此接口用于獲取JavaScript渲染的頁面的HTML代碼，接口地址就是Splash的運行地址加此接口名稱，例如http://localhost:8050/render.html?？梢杂胏url來測試一下：

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

我們給此接口傳遞了一個url參數(shù)來指定渲染的URL，返回結(jié)果即頁面渲染后的源代碼。

如果用Python實現(xiàn)的話，代碼如下：

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后的源代碼了。

另外，此接口還可以指定其他參數(shù)，比如通過wait指定等待秒數(shù)。如果要確保頁面完全加載出來，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(yīng)的時間就會相應(yīng)變長，比如這里會等待5秒多鐘才能獲取淘寶頁面的源代碼。

另外，此接口還支持代理設(shè)置、圖片加載設(shè)置、Headers設(shè)置、請求方法設(shè)置，具體的用法可以參見官方文檔https://splash.readthedocs.io/en/stable/api.html#render-html。

render.png

此接口可以獲取網(wǎng)頁截圖，其參數(shù)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(jìn)制數(shù)據(jù)。示例如下：

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

這里我們傳入了width和height來設(shè)置頁面大小為1000×700像素。

如果用Python實現(xiàn)，可以將返回的二進(jìn)制數(shù)據(jù)保存為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7-17所示。

圖7-17 運行結(jié)果

這樣我們就成功獲取了京東首頁渲染完成后的頁面截圖，詳細(xì)的參數(shù)設(shè)置可以參考官網(wǎng)文檔https://splash.readthedocs.io/en/stable/api.html#render-png。

render.jpeg

此接口和render.png類似，不過它返回的是JPEG格式的圖片二進(jìn)制數(shù)據(jù)。

另外，此接口比render.png多了參數(shù)quality，它用來設(shè)置圖片質(zhì)量。

render.har

此接口用于獲取頁面加載的HAR數(shù)據(jù)，示例如下：

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

它的返回結(jié)果（如圖7-18所示）非常多，是一個JSON格式的數(shù)據(jù)，其中包含頁面加載過程中的HAR數(shù)據(jù)。

圖7-18 運行結(jié)果

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，示例如下：

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

結(jié)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，這里以JSON形式返回了相應(yīng)的請求數(shù)據(jù)。

我們可以通過傳入不同參數(shù)控制其返回結(jié)果。比如，傳入html=1，返回結(jié)果即會增加源代碼數(shù)據(jù)；傳入png=1，返回結(jié)果即會增加頁面PNG截圖數(shù)據(jù)；傳入har=1，則會獲得頁面HAR數(shù)據(jù)。例如：

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

這樣返回的JSON結(jié)果會包含網(wǎng)頁源代碼和HAR數(shù)據(jù)。

此外還有更多參數(shù)設(shè)置，具體可以參考官方文檔：https://splash.readthedocs.io/en/stable/api.html#render-json。

execute

此接口才是最為強大的接口。前面說了很多Splash Lua腳本的操作，用此接口便可實現(xiàn)與Lua腳本的對接。

前面的render.html和render.png等接口對于一般的JavaScript渲染頁面是足夠了，但是如果要實現(xiàn)一些交互操作的話，它們還是無能為力，這里就需要使用execute接口了。

我們先實現(xiàn)一個最簡單的腳本，直接返回數(shù)據(jù)：

function main(splash)
    return 'hello'
end

然后將此腳本轉(zhuǎn)化為URL編碼后的字符串，拼接到execute接口后面，示例如下：

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

運行結(jié)果如下：

hello

這里我們通過lua_source參數(shù)傳遞了轉(zhuǎn)碼后的Lua腳本，通過execute接口獲取了最終腳本的執(zhí)行結(jié)果。

這里我們更加關(guān)心的肯定是如何用Python來實現(xiàn)，上例用Python實現(xiàn)的話，代碼如下：

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)

運行結(jié)果如下：

hello

這里我們用Python中的三引號將Lua腳本包括起來，然后用urllib.parse模塊里的quote()方法將腳本進(jìn)行URL轉(zhuǎn)碼，隨后構(gòu)造了Splash請求URL，將其作為lua_source參數(shù)傳遞，這樣運行結(jié)果就會顯示Lua腳本執(zhí)行后的結(jié)果。

我們再通過實例看一下：

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)

運行結(jié)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(jié)果是JSON形式，我們成功獲取了請求的URL、狀態(tài)碼和網(wǎng)頁源代碼。

如此一來，我們之前所說的Lua腳本均可以用此方式與Python進(jìn)行對接，所有網(wǎng)頁的動態(tài)渲染、模擬點擊、表單提交、頁面滑動、延時等待后的一些結(jié)果均可以自由控制，獲取頁面源碼和截圖也都不在話下。

到現(xiàn)在為止，我們可以用Python和Splash實現(xiàn)JavaScript渲染的頁面的抓取了。除了Selenium，本節(jié)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。

到此這篇關(guān)于Python3爬蟲中Splash的知識總結(jié)的文章就介紹到這了,更多相關(guān)Python3中Splash的基礎(chǔ)知識內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: