快捷導(dǎo)航

python爬蟲神器Pyppeteer入門及使用

更新時間：2019年07月13日 09:16:37 作者：千鋒Python唐唐君

這篇文章主要介紹了python爬蟲神器Pyppeteer入門及使用,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下

前言

提起selenium想必大家都不陌生，作為一款知名的Web自動化測試框架，selenium支持多款主流瀏覽器，提供了功能豐富的API接口，經(jīng)常被我們用作爬蟲工具來使用。但是selenium的缺點也很明顯，比如速度太慢、對版本配置要求嚴(yán)苛,最麻煩是經(jīng)常要更新對應(yīng)的驅(qū)動。

今天就給大家介紹另一款web自動化測試工具Pyppeteer，雖然支持的瀏覽器比較單一，但在安裝配置的便利性和運行效率方面都要遠(yuǎn)勝selenium。

01.Pyppeteer簡介

介紹Pyppeteer之前先說一下Puppeteer，Puppeteer是谷歌出品的一款基于Node.js開發(fā)的一款工具，主要是用來操縱Chrome瀏覽器的 API，通過Javascript代碼來操縱Chrome瀏覽器，完成數(shù)據(jù)爬取、Web程序自動測試等任務(wù)。

Pyppeteer其實是Puppeteer的Python版本，下面簡單介紹下Pyppeteer的兩大特點，chromium瀏覽器和asyncio框架：

1).chromium

Chromium是一款獨立的瀏覽器，是Google為發(fā)展自家的瀏覽器Google Chrome而開啟的計劃，相當(dāng)于Chrome的實驗版，Chromium的穩(wěn)定性不如Chrome但是功能更加豐富，而且更新速度很快，通常每隔數(shù)小時就有新的開發(fā)版本發(fā)布。

Pyppeteer的web自動化是基于chromium來實現(xiàn)的，由于chromium中某些特性的關(guān)系，Pyppeteer的安裝配置非常簡單，關(guān)于這一點稍后我們會詳細(xì)介紹。

2).asyncio

asyncio是Python的一個異步協(xié)程庫，自3.4版本引入的標(biāo)準(zhǔn)庫，直接內(nèi)置了對異步IO的支持，號稱是Python最有野心的庫，官網(wǎng)上有非常詳細(xì)的介紹:

02.安裝與使用

1).極簡安裝

使用pip install pyppeteer命令就能完成pyppeteer庫的安裝，至于chromium瀏覽器，只需要一條pyppeteer-install命令就會自動下載對應(yīng)的最新版本chromium瀏覽器到pyppeteer的默認(rèn)位置。

如果不運行pyppeteer-install命令，在第一次使用pyppeteer的時候也會自動下載并安裝chromium瀏覽器，效果是一樣的。總的來說，pyppeteer比起selenium省去了driver配置的環(huán)節(jié)。

當(dāng)然，出于某種原因，也可能會出現(xiàn)chromium自動安裝無法順利完成的情況，這時可以考慮手動安裝：首先，從下列網(wǎng)址中找到自己系統(tǒng)的對應(yīng)版本，下載chromium壓縮包；

'linux':

'mac':
'win32':

'win64':

然后，將壓縮包放到pyppeteer的指定目錄下解壓縮，windows系統(tǒng)的默認(rèn)目錄。其他系統(tǒng)下的默認(rèn)目錄可以參照下面這幅圖：

2).使用

安裝完后就來試試效果。一起來看下面這段代碼，在main函數(shù)中，先是建立一個瀏覽器對象，然后打開新的標(biāo)簽頁，訪問百度主頁，對當(dāng)前頁面截圖并保存為“example.png”，最后關(guān)閉瀏覽器。前文也提到過，pyppeteer是基于asyncio構(gòu)建的，所以在使用的時候需要用到async/await結(jié)構(gòu)。

運行上面這段代碼會發(fā)現(xiàn)并沒有瀏覽器彈出運行，這是因為Pyppeteer默認(rèn)使用的是無頭瀏覽器，如果想要瀏覽器顯示，需要在launch函數(shù)中設(shè)置參數(shù)“headless =False”，程序運行結(jié)束后在同一目錄下會出現(xiàn)截取到的網(wǎng)頁圖片：

03.實戰(zhàn)異步基金爬取

我們前面一直在說Pyppeteer是一款非常高效的web自動化測試工具，其本質(zhì)原因是由于Pyppeteer是基于asyncio構(gòu)建的，它的所有屬性和方法幾乎都是coroutine對象，因此在構(gòu)建異步程序的時候非常方便，天生就支持異步運行。

下面就來對比順序執(zhí)行和異步運行的效率究竟如何:

1).基金爬取

我們把天天基金網(wǎng)中的開放式基金凈值數(shù)據(jù)爬取作為本次的實驗任務(wù)，下面這張圖是一支基金的歷史凈值數(shù)據(jù)，這個頁面是js加載的，沒辦法通過requests直接獲取內(nèi)容信息，因此可以考慮使用模擬瀏覽器操作的方式進(jìn)行數(shù)據(jù)抓取。（事實上基金凈值數(shù)據(jù)的獲取是有API接口的，本次任務(wù)只是為了演示，不具備實用價值）

為了使效果更加明顯，我們此次爬取基金列表頁（下圖）前50支基金的近20個交易日的凈值數(shù)據(jù)。

2).順序執(zhí)行

程序構(gòu)建的基本思路是新建一個browser瀏覽器和一個頁面page，依次訪問每個基金的凈值數(shù)據(jù)頁面并爬取數(shù)據(jù)。核心代碼如下：

代碼中的get_data()函數(shù)用于凈值數(shù)據(jù)頁面解析和數(shù)據(jù)的轉(zhuǎn)化，get_all_codes()函數(shù)用于獲取全部開放式基金的基金代碼（共6000余個）。雖然程序也使用了async/await的結(jié)構(gòu)，但是對多個基金的凈值數(shù)據(jù)獲取都是在callurl_and_getdata()函數(shù)中順序執(zhí)行的，之所以這樣寫是因為pyppeteer中的方法都是coroutine對象，必須以這種形式構(gòu)建程序。

為了排除打開瀏覽器的耗時干擾，我們僅統(tǒng)計訪問頁面和數(shù)據(jù)抓取的用時，其結(jié)果為：12.08秒。

3).異步執(zhí)行

下面我們把程序改造一下，功能函數(shù)都不變，主要是把對fundlist的循環(huán)運行改裝成async的task對象。核心代碼如下：