一款比Selenium更高效的利器 Pyppeteer

GitHub地址是：https://miyakogi.github.io/pyppeteer
参考链接：https://www.jianshu.com/p/611ed6b75d47
报错信息参考：https://segmentfault.com/a/1190000018873537

使用pip install pyppeteer命令就能完成pyppeteer库的安装
至于chromium浏览器，只需要一条pyppeteer-install命令就会自动下载对应的最新版本chromium浏览器到pyppeteer的默认位置

注意：pyppeteer是基于asyncio构建的，所以在使用的时候需要用到async/await结构。

pyppeteer使用代理

import asyncio
from pyppeteer import launch

async def register():
    browser = await launch({
        'headless': False,
        # 代理ip
        'args': ['--proxy-server=47.105.111.124:15525', ]
    })

    page = await browser.newPage()
    # 设置代理ip验证
    await page.authenticate({
        'username': '17475066',
        'password': '1icmm7xk'
    });
    await page.setJavaScriptEnabled(enabled=True)
    await page.goto('http://www.ip138.com/')
    time.sleep(300)
    
asyncio.get_event_loop().run_until_complete(register())

用今日头条练习一下

import asyncio
from pyppeteer import launch

async def main():
    # headless参数设为False，则变成有头模式
    browser = await launch(
        # headless=False
    )
    
    page = await browser.newPage()
    
    # 设置页面视图大小
    await page.setViewport(viewport={'width':1280, 'height':800})
    
    # 是否启用JS，enabled设为False，则无渲染效果
    await page.setJavaScriptEnabled(enabled=True)
    
    await page.goto('https://www.toutiao.com/')
    
    # 打印页面cookies
    print(await page.cookies())
    
    # 打印页面文本
    print(await page.content())
    
    # 打印当前页标题
    print(await page.title())
    
    # 抓取新闻标题
    title_elements = await page.xpath('//div[@class="title-box"]/a')
    for item in title_elements:
        # 获取文本
        title_str = await (await item.getProperty('textContent')).jsonValue()
        print(await item.getProperty('textContent'))
        # 获取链接
        title_link = await (await item.getProperty('href')).jsonValue()
        print(title_str)
        print(title_link)
    
    # 关闭浏览器
    await browser.close()

asyncio.get_event_loop().run_until_complete(main())

与百度首页交互

import time
import asyncio
from pyppeteer import launch

async def main():
    browser = await launch(headless=False)
    page = await browser.newPage()
    await page.setViewport({'width': 1200, 'height': 800})
    await page.goto('https://www.baidu.com')
    # 在搜索框中输入python
    await page.type('input#kw.s_ipt','python')
    # 点击搜索按钮
    await page.click('input#su')
    
    # 等待元素加载，第一种方法，强行等待5秒
    # await asyncio.sleep(5)
    
    # 第二种方法，在while循环里强行查询某元素进行等待
    while not await page.querySelector('.t'):
        pass

    # 滚动到页面底部
    await page.evaluate('window.scrollBy(0, window.innerHeight)')

    # 这些等待方法都不好用
    # await page.waitForXPath('h3', timeout=300)
    # await page.waitForNavigation(waitUntil="networkidle0")
    # await page.waitForFunction('document.getElementByTag("h3")')
    # await page.waitForSelector('.t')
    # await page.waitFor('document.querySelector("#t")')
    # await page.waitForNavigation(waitUntil='networkidle0')
    # await page.waitForFunction('document.querySelector("").inner‌​Text.length == 7')

    title_elements = await page.xpath('//h3[contains(@class,"t")]/a')
    for item in title_elements:
        title_str = await (await item.getProperty('textContent')).jsonValue()
        print(title_str)
    await browser.close()

asyncio.get_event_loop().run_until_complete(main())

官方两个示例

# 1 打开一个网页并做截图
# 首次运行示例时，pyppeteer会自动下载对应操作系统的chromium
import asyncio
from pyppeteer import launch

async def main():
    browser = await launch()
    page = await browser.newPage()
    await page.goto('http://example.com')
    await page.screenshot({'path': 'example.png'})
    await browser.close()

asyncio.get_event_loop().run_until_complete(main())

# 2 在网页上执行一段脚本
import asyncio
from pyppeteer import launch

async def main():
    browser = await launch()
    page = await browser.newPage()
    await page.goto('http://example.com')
    await page.screenshot({'path': 'example.png'})

    dimensions = await page.evaluate('''() => {
        return {
            width: document.documentElement.clientWidth,
            height: document.documentElement.clientHeight,
            deviceScaleFactor: window.devicePixelRatio,
        }
    }''')

    print(dimensions)
    # >>> {'width': 800, 'height': 600, 'deviceScaleFactor': 1}
    await browser.close()

asyncio.get_event_loop().run_until_complete(main())

Pyppeteer和Puppeteer的不同点

1.Pyppeteer支持字典和关键字传参，Puppeteer只支持字典传参

# Puppeteer只支持字典传参
browser = await launch({'headless': True})

# Pyppeteer支持字典和关键字传参
browser = await launch({'headless': True})
browser = await launch(headless=True)

2.元素选择器方法名 $变为querySelector

# Puppeteer使用$符
Page.$()/Page.$$()/Page.$x()``

# Pyppeteer使用Python风格的函数名
Page.querySelector()/Page.querySelectorAll()/Page.xpath()
# 简写方式为：
Page.J(), Page.JJ(), and Page.Jx()

3.Page.evaluate() 和 Page.querySelectorEval()的参数
Puppeteer的evaluate()方法使用JavaScript原生函数或JavaScript表达式字符串。Pyppeteer的evaluate()方法只使用JavaScript字符串，该字符串可以是函数也可以是表达式，Pyppeteer会进行自动判断。但有时会判断错误，如果字符串被判断成了函数，并且报错，可以添加选项force_expr=True，强制Pyppeteer作为表达式处理。

获取页面内容：
content = await page.evaluate('document.body.textContent', force_expr=True)
获取元素的内部文字：
element = await page.querySelector('h1')
title = await page.evaluate('(element) => element.textContent', element)

实战写法

   async def get_res(self,url,sql_data):
        proxies = self.proxies
        while True:

            print(proxies)
            browser = await launch({
                'headless':True,
                'args': ['--proxy-server={}'.format(proxies), '--no-sandbox']
            })

            page = await browser.newPage()
            await page.setViewport(viewport={'width': 1280, 'height': 800})

            # 是否启用JS，enabled设为False，则无渲染效果
            await page.setJavaScriptEnabled(enabled=False)
            try:
                await page.goto(url)
                # 标题包含404 Not found - Kompass
                title = await page.title()
                if 'Not' in title:
                    print('404 Not found - Kompass')
                    self.get_sql_res_que.put({'res': False, 'sql_data': sql_data})
                    self.proxies = proxies
                    await browser.close()
                    return False

                page = await page.content()
                self.get_sql_res_que.put({'res':page,'sql_data':sql_data})
                self.proxies = proxies
                # print(page)
                await browser.close()
                return True
            except:
                # 关闭浏览器
                try:
                    await browser.close()
                except:
                    print('浏览器已关闭')
                print('再次请求')
                proxies = get_proxy_ip().get('https')