golang使用chrome headless获取网页内容
如今动态渲染的页面越来越多,爬虫们或多或少都需要用到headless browser来渲染待爬取的页面。
而最近广泛使用的headless browser解决方案PhantomJS已经宣布不再继续维护,转而推荐使用headless chrome。
那么headless chrome究竟是什么呢,Headless Chrome 是 Chrome 浏览器的无界面形态,可以在不打开浏览器的前提下,使用所有 Chrome 支持的特性运行你的程序。
简而言之,除了没有图形界面,headless chrome具有所有现代浏览器的特性,可以像在其他现代浏览器里一样渲染目标网页,并能进行网页截图,获取cookie,获取html等操作。
详细信息可以在这获取:https://developers.google.cn/web/updates/2017/04/headless-chrome
有关headless chrome如何使用网上有许多不错的文章,这里就不重复了。
想要在golang程序里使用headless chrome,需要借助一些开源库,实现和headless chrome交互的库有很多,这里选择chromedp,接口和Selenium类似,易上手。
安装:
go get -u github.com/chromedp/chromedp
引入:
import ( "github.com/chromedp/chromedp" // runner用于配置headless chrome "github.com/chromedp/chromedp/runner" // 新版本中不需要再导入这个包了 )
创建headless chrome实例,每一个实例就相当于一个浏览器,可以用它浏览、调试网页内容,默认情况下chromedp会直接启动带GUI的chrome,所以需要使用runner启动headless chrome。默认端口为9222,可以自定义。
需要注意,chromedp在0.1.4版本中对api进行了较大的改动,因此接下来的示例中我会给出新api的用法,同时保留0.1.3及以前版本适用的例子。
// NewHeadless 创建headless chrome实例 // chromedp内部有自己的超时设置,你也可以通过ctx来设置更短的超时 func NewHeadless(ctx context.Context, starturl string) (*chromedp.CDP, error) { // runner.Flag设置启动headless chrome时的命令行参数 // runner.URL设置启动时打开的URL // Windows用户需要设置runner.Flag("disable-gpu", true),具体信息参见文档的FAQ run, err := runner.New(runner.Flag("headless", true), runner.URL(starturl)) if err != nil { return nil, err } // run.Start启动实例 err = run.Start(ctx) if err != nil { return nil, err } // 默认情况chromedp会输出大量log,因为是示例所以选择屏蔽,dropChromeLogs为自定义函数,形式为func(string, ...interface{}){} // 使用runner初始化chromedp实例 // 实例在使用完毕后需要调用c.Shutdown()来释放资源 c, err := chromedp.New(ctx, chromedp.WithRunner(run), chromedp.WithErrorf(dropChromeLogs)) if err != nil { return nil, err } return c, nil }
ctx, cancel := context.WithCancel(context.Background()) defer cancel() cdp := NewHeadless(ctx, "www.cnblogs.com")
下面是0.1.4版本的api:
// 新版本中取消了cdp,将broeser对象和context合并在一起,方便了我们的操作 func NewHeadless() (context.Context, context.CancelFunc) { opts := make([]chromedp.ExecAllocatorOption, 0) opts = append(opts, chromedp.ProxyServer("http://127.0.0.1:8118")) opts = append(opts, chromedp.Flag("headless", true)) allocator, cancel := chromedp.NewAllocator(context.Background(), chromedp.WithExecAllocator(opts...)) return allocator, cancel } ctxt, cancel1 := NewHeadless() defer cance1l() c, cancel2 := chromedp.NewContext(ctxt) defer cancel2()
新版本中不会输出多余的log,同时也会默认启用headless模式。
如果你需要在新版本的chromedp启动实例时指定一个url,你可以这样做:
broswer := chromedp.NewBroswer(c, startURL)
chromedp.FromContext(c).Browser = browser
实例启动后我们就能通过这个实例来访问你想爬取的URL了。
chromedp的实例类型为*chromedp.CDP,它拥有一个func (c *CDP) Run(ctxt context.Context, a Action) error 方法来执行所有的操作。
在新版本中chromedp通过Run方法执行所有操作,chromedp.CDP对象被chrome.Context取代,其原型为func Run(ctx context.Context, actions ...Action) error
Action是chromedp的api返回的对象,代表对headless chrome的一个操作,多个操作可以放入chromedp.Tasks里,它是一个元素为Action的slice,也可以作为Run的参数调用。
下面是部分常用的api:
// chromedp.Sleep使headless chrome睡眠d表示的时间长度 func Sleep(d time.Duration) Action // chromedp.Navigate使浏览器访问参数给出的URL func Navigate(urlstr string) Action // chromedp.SendKeys向指定的html元素内输入内容 // sel是选择器字符串或是选择器要求的数据类型 // opts指定使用何种选择器 // 常用的选择器有: // chromedp.ByID:根据id来选择元素 // chromedp.ByQuery:根据DOM.querySelector的规则选择元素 func SendKeys(sel interface{}, v string, opts ...QueryOption) Action // chromedp.Submit将指定的元素(通常是form)提交 func Submit(sel interface{}, opts ...QueryOption) Action // chromedp.WaitReady等待指定元素加载完毕 func WaitReady(sel interface{}, opts ...QueryOption) Action // chromedp.Click在指定元素上触发鼠标点击事件 func Click(sel interface{}, opts ...QueryOption) Action // chromedp.OuterHTML获取指定元素的HTML代码(包括其子元素) // html参数用于存放返回的HTML func OuterHTML(sel interface{}, html *string, opts ...QueryOption) Action
一个获取页面内容的小例子,更多例子在 https://github.com/chromedp/examples
// 获取服务列表 func GetServiceList(res *string) chromedp.Tasks { return chromedp.Tasks{ // 访问服务列表 chromedp.Navigate(ServiceListURL), // 等待直到body加载完毕 chromedp.WaitReady("servicesList", chromedp.ByID), // 选择显示可用服务 chromedp.Click("statusActive", chromedp.ByID), // 等待列表渲染 chromedp.Sleep(2 * time.Second), // 获取获取服务列表HTML chromedp.OuterHTML("#servicesList table", res, chromedp.ByQuery), } } var html string // cdp是chromedp实例 // ctx是创建cdp时使用的context.Context err := cdp.Run(ctx, GetServiceList(&html) ) if err != nil { // 错误处理 } // 成功取得HTML内容进行后续处理 fmt.Println(html)
新版本的示例:
var html string // ctxt是chromedp的实例,用于执行网页操作 err := chromedp,Run(ctxt, GetServiceList(&html)) if err != nil { // error handle } // 成功取得数据 fmt.Println(html)
另外新版本中关闭chrome实例的方式也有所不同:
// 释放所有资源,并等待释放结束 cancel2() // 官方给的是chromedp,FromContext(ctxt).Wait(),但是目前没有实现Wait方法 // 因此你可以像这样 chromedp.FromContext(ctxt).Broswer.Shutdown() chromedp.FromContext(ctxt).Allocator,Wait()
因为目前新版本还很不稳定,所以推荐使用0.1.3版本。
至此golang通过chromedp(https://github.com/chromedp/chromedp)使用headless chrome进行动态网页的渲染和操作就介绍完了。
希望这篇文章能给你带来帮助,如有错误之处,欢迎交流指正。