Splash抓取javaScript动态渲染页面
一、概述
Splash是一个javascript渲染服务。它是一个带有HTTP API的轻量级Web浏览器，使用Twisted和QT5在Python 3中实现。QT反应器用于使服务完全异步，允许通过QT主循环利用webkit并发。
一些Splash功能：
- 并行处理多个网页
- 获取HTML源代码或截取屏幕截图
- 关闭图像或使用Adblock Plus规则使渲染更快
- 在页面上下文中执行自定义JavaScript
- 可通过Lua脚本来控制页面的渲染过程
- 在Splash-Jupyter 笔记本中开发Splash Lua脚本。
- 以HAR格式获取详细的渲染信息
二、Scrapy-Splash的安装
Scrapy-Splash的安装分为两部分，一个是Splash服务的安装，具体通过Docker来安装服务，运行服务会启动一个Splash服务，通过它的接口来实现JavaScript页面的加载；另外一个是Scrapy-Splash的Python库的安装，安装后就可在Scrapy中使用Splash服务了。
环境说明
操作系统：centos 7.6
docker版本：19.03.12
ip地址：192.168.0.10
说明：使用docker安装Splash服务
操作系统：windows 10
python版本：3.7.9
ip地址：192.168.0.9
说明：使用Pycharm开发工具，用于本地开发。
安装splash服务
通过Docker安装Scrapinghub/splash镜像，然后启动容器，创建splash服务
docker pull scrapinghub/splash docker run -d --name splash -p 8050:8050 scrapinghub/splash
Python包Scrapy-Splash安装
pip3 install scrapy-splash
plash Lua脚本
运行splash服务后，通过web页面访问服务的8050端口
http://192.168.0.10:8050/
即可看到其web页面，如下图：
上面有个输入框，默认是http://google.com，我们可以换成想要渲染的网页如：https://www.baidu.com然后点击Render me按钮开始渲染
但是，等了许久，一直是Initializing...状态。不管它了，可能有bug
登录centos系统，使用curl命令测试，访问百度
curl 'http://localhost:8050/render.html?url=https://www.baidu.com/page-with-javascript.html&timeout=10&wait=0.5'
它会返回一段html代码，说明渲染是没有问题的。
三、示例页面分析
这里我们可以观察一个典型的供我们练习爬虫技术的网站：quotes.toscrape.com/js/
说明：这里是一个留意列表，都在<div class="quote">里面。
接下来使用scrapy命令来分析一下，打开Pycharm，打开Terminal，输入以下命令：
scrapy shell http://quotes.toscrape.com/js/
输出如下：
... [s] view(response) View response in a browser >>>
然后输入： response.css('div.quote')
>>> response.css('div.quote') [] >>>
代码分析：这里我们爬取了该网页，但我们通过css选择器爬取页面每一条名人名言具体内容时发现没有返回值
我们来看看页面：这是由于每一条名人名言是通过客户端运行一个Js脚本动态生成的。
我们将script脚本打开看看发现这里包含了每一条名人名言的具体信息
注意：在<div class="quote">上面一个标签，也就是<script></script>里面，就可以看到。
问题分析
scrapy爬虫框架没有提供页面js渲染服务，所以我们获取不到信息，所以我们需要一个渲染引擎来为我们提供渲染服务---这就是Splash渲染引擎（大侠出场了）
1、Splash渲染引擎简介：
Splash是为Scrapy爬虫框架提供渲染javascript代码的引擎，它有如下功能：（摘自维基百科）
（1）为用户返回渲染好的html页面
（2）并发渲染多个页面
（3）关闭图片加载，加速渲染
（4）执行用户自定义的js代码
（5）执行用户自定义的lua脚步，类似于无界面浏览器phantomjs
2、Splash渲染引擎工作原理：（我们来类比就一清二楚了）
这里我们假定三个小伙伴：（1--懒惰的我 ， 2 --提供外卖服务的小哥，3---本人喜欢吃的家味道餐饮点）
今天正好天气不好，1呆在宿舍睡了一早上起来，发现肚子饿了，它就想去自己爱吃的家味道餐饮点餐，他在床上大喊一声我要吃大鸡腿，但3并没有返回东西给他，这是后怎么办呢，2出场了，1打来自己了饿了吗APP点了一份荷叶饭，这是外卖小哥收到订单，就为他去3那，拿了他爱吃的荷叶饭给了1，1顿时兴高采烈！
Client----相当于1 /Splash---相当于2 /Web server---相当于3
即：我们将下载请求告诉Splash ，然后Splash帮我们去下载并渲染页面，最后将渲染好的页面返回给我们
Splash简要使用说明
render.html端点
Splash为我们提供了多种端点的服务，具体参见http://splash.readthedocs.io/en/stable/api.html#render-html
1、下面我们以render.html端点来体验下：（这里我们使用requests库）
实验：
在Pycharm里，新建一个test.py，代码如下：
import requests from scrapy.selector import Selector splash_url = 'http://192.168.0.10:8050/render.html' args = {'url': 'http://quotes.toscrape.com/js', 'timeout': 10, 'image': 0} response = requests.get(splash_url, params=args) sel = Selector(response) ret = sel.css('div.quote span.text::text').extract() print(type(ret)) for i in ret: print(i)
执行输出：
<class 'list'> “The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.” ...
可以发现，这里已经得到留言列表了。
sel.css('div.quote span.text::text') 这里表示使用css选择器，div.quote表：div下的class为：quote 。span.text::text表示：span下的class为：text，并提取text文本信息。相当于jquery里面的text()。这里有点绕，可能有点不太好理解。
它相当于jquery代码
$('div.quote span.text').text()
使用console，测试一下
你看，它真的得到了留言列表。
execute端点
2、下面我们来介绍另一个重要的端点：execute端点
execute端点简介：它被用来提供如下服务：当用户想在页面中执行自己定义的Js代码，如：用js代码模拟浏览器进行页面操作（滑动滚动条啊，点击啊等等）
这里：我们将execute看成是一个可以模拟用户行为的浏览器，而用户的行为我们通过lua脚本进行定义：
比如：
打开url页面
等待加载和渲染
执行js代码
获取http响应头部
获取cookies
实验：
使用Pycharm新建一个test1.py，内容如下：
import requests import json #编写lua脚本，：访问属性 lua = ''' function main(splash) --打开页面 splash:go('http:example.com') --等待加载 splash:wait(0.5) --执行js代码 local title = splash:evaljs('document.title') --{中的内容类型python中的键值对} return {title = title} end ''' splash_url = 'http://192.168.0.10:8050/execute' #定义端点地址 headers = {'content-type':'application/json'} data = json.dumps({'lua_source':lua}) #做成json对象 response = requests.post(splash_url,headers = headers,data=data) #使用post请求 ret = response.content ret1 = response.json() print(ret) print(ret1)
执行输出：
b'{"title": "Example Domain"}' {'title': 'Example Domain'}
注意：它是访问http://example.com/，提取title标签对的文字。刚开始，我以为这个网站打不开，没想到，居然可以打开。
Splash对象常用属性和方法总结：参考官网http://splash.readthedocs.io/en/stable/scripting-overview.html#和书本
splash:args属性----传入用户参数的表，通过该属性可以访问用户传入的参数，如splash.args.url、splash.args.wait
spalsh.images_enabled属性---用于开启/禁止图片加载，默认值为True
splash:go方法---请求url页面
splash:wait方法---等待渲染的秒数
splash:evaljs方法---在当前页面下，执行一段js代码，并返回最后一句表达式的值
splash:runjs方法---在当前页面下，执行一段js代码
splash:url方法---获取当前页面的url
splash:html方法---获取当前页面的HTML文档
splash:get_cookies---获取cookies信息
四、在Scrapy 中使用Splash
在scrapy_splash中定义了一个SplashRequest类，用户只需使用scrapy_splash.SplashRequst来替代scrapy.Request发送请求
该构造器常用参数如下：
url---待爬取的url地址
headers---请求头
cookies---cookies信息
args---传递给splash的参数，如wait\timeout\images\js_source等
cache_args--针对参数重复调用或数据量大大情况，让Splash缓存该参数
endpoint---Splash服务端点
splash_url---Splash服务器地址，默认为None
实验：https://github.com/scrapy-plugins/scrapy-splash(这里有很多使用例子供大家学习)
新建项目
打开Pycharm，并打开Terminal，执行以下命令
scrapy startproject dynamic_page
cd dynamic_page
scrapy genspider quotes quotes.toscrape.com
在scrapy.cfg同级目录，创建bin.py，用于启动Scrapy项目，内容如下：
#在项目根目录下新建：bin.py from scrapy.cmdline import execute # 第三个参数是：爬虫程序名 execute(['scrapy', 'crawl', 'quotes',"--nolog"])
创建好的项目树形目录如下：
./
├── bin.py
├── dynamic_page
│ ├── __init__.py
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ ├── __init__.py
│ └── quotes.py
└── scrapy.cfg
修改settIngs.py
改写settIngs.py文件这里小伙伴们可参考github（https://github.com/scrapy-plugins/scrapy-splash）---上面有详细的说明
在最后添加如下内容：
# Splash服务器地址 SPLASH_URL = 'http://192.168.0.10:8050' # 开启两个下载中间件，并调整HttpCompressionMiddlewares的次序 DOWNLOADER_MIDDLEWARES = { 'scrapy_splash.SplashCookiesMiddleware': 723, 'scrapy_splash.SplashMiddleware': 725, 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810, } # 设置去重过滤器 DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter' # 用来支持cache_args（可选） SPIDER_MIDDLEWARES = { 'scrapy_splash.SplashDeduplicateArgsMiddleware': 100, } DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter' HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage' ITEM_PIPELINES = { 'dynamic_page.pipelines.DynamicPagePipeline': 100, }
注意：请根据实际情况，修改Splash服务器地址，其他的不需要改动。
修改文件quotes.py
# -*- coding: utf-8 -*- import scrapy from scrapy_splash import SplashRequest #重新定义了请求 from dynamic_page.items import DynamicPageItem class QuotesSpider(scrapy.Spider): name = 'quotes' allowed_domains = ['quotes.toscrape.com'] start_urls = ['http://quotes.toscrape.com/js/'] def start_requests(self): # 重新定义起始爬取点 for url in self.start_urls: yield SplashRequest(url, args={'timeout': 8, 'images': 0}) def parse(self, response): authors = response.css('div.quote small.author::text').extract() # 选中名人并返回一个列表 quotes = response.css('div.quote span.text::text').extract() # 选中名言并返回一个列表 # 创建item字段对象，用来存储信息 item = DynamicPageItem() item['authors'] = authors item['quotes'] = quotes ##使用zip()函数--小伙伴们自行百度菜鸟教程即可 # 构造了一个元祖再进行遍历，再次使用zip结合dict构造器做成了列表，由于yield ，所以我们使用生成器解析返回 yield from (dict(zip(['author', 'quote'], item)) for item in zip(authors, quotes)) next_url = response.css('ul.pager li.next a::attr(href)').extract_first() if next_url: complete_url = response.urljoin(next_url) # 构造了翻页的绝对url地址 yield SplashRequest(complete_url, args={'timeout': 8, 'images': 0})
修改items.py
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # https://docs.scrapy.org/en/latest/topics/items.html import scrapy class DynamicPageItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() # 与itcast.py定义的一一对应 authors = scrapy.Field() quotes = scrapy.Field()
修改pipelines.py
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html import json class DynamicPagePipeline(object): def __init__(self): #python3保存文件 必须需要'wb' 保存为json格式 self.f = open("dynamicpage_pipline.json",'wb') def process_item(self, item, spider): # 读取item中的数据 并换行处理 content = json.dumps(dict(item), ensure_ascii=False) + ',\n' self.f.write(content.encode('utf=8')) return item def close_spider(self,spider): #关闭文件 self.f.close()
执行bin.py，等待1分钟，就会生成文件dynamicpage_pipline.json。
打开json文件，内容如下：
{"author": "Albert Einstein", "quote": "“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”"},
{"author": "J.K. Rowling", "quote": "“It is our choices, Harry, that show what we truly are, far more than our abilities.”"},
...
本文参考链接：
