网络爬虫之使用pyppeteer替代selenium完美绕过webdriver检测
1引言
曾经使用模拟浏览器操作（selenium + webdriver）来写爬虫，但是稍微有点反爬的网站都会对selenium和webdriver进行识别，网站只需要在前端js添加一下判断脚本，很容易就可以判断出是真人访问还是webdriver。虽然也可以通过中间代理的方式进行js注入屏蔽webdriver检测，但是webdriver对浏览器的模拟操作（输入、点击等等）都会留下webdriver的标记，同样会被识别出来，要绕过这种检测，只有重新编译webdriver，麻烦自不必说，难度不是一般大。
作为selenium+webdriver的优秀替代，pyppeteer就是一个很好的选择。
2 手动安装
通过pip使用豆瓣源加速安装pyppeteer：
pip install -i https://pypi.douban.com/simple pypeteer
按照官方手册，先来感受一下：
import asyncio
from pyppeteer import launch
async def main():
browser = await launch(headless=false)
page = await browser.newpage()
await page.goto('http://www.baidu.com/')
await asyncio.sleep(100)
await browser.close()
asyncio.get_event_loop().run_until_complete(main())
pyppeteer第一次运行时，会自动下载chromium浏览器，时间可能会有些长。不过，我第一次运行时，直接报错：
ssl.sslcertverificationerror: [ssl: certificate_verify_failed] certificate verify failed: unable to get local issuer certificate (_ssl.c:1056)
尝试多种方法无果，无奈只能手动下载，但手动下载的方法网上资料也几乎没有，让我来做这个先行者吧。
上面代码运行虽然报错，但是控制台前两行却提供了很有用的信息：
[w:pyppeteer.chromium_downloader] start chromium download. download may take a few minutes.
可以看到，下载功能是由pyppeteer.chromium_downloader模块完成的，那么我们进入这个模块查看源码。
在这个模块源码中，我们可以看到downloadurls、chromiumexecutable等变量，很明显指的就是下载链接和chromium的可执行文件路径。我们重点关注一下可执行文件路径
chromiumexecutable：
chromiumexecutable = {
'linux': downloads_folder / revision / 'chrome-linux' / 'chrome',
'mac': (downloads_folder / revision / 'chrome-mac' / 'chromium.app' /
'contents' / 'macos' / 'chromium'),
'win32': downloads_folder / revision / 'chrome-win32' / 'chrome.exe',
'win64': downloads_folder / revision / 'chrome-win32' / 'chrome.exe',
}
可见，无论在哪个平台下，chromiumexecutable都是由是4个部分组成，其中 downloads_folder 和 revision是定义好的变量：
downloads_folder = path(__pyppeteer_home__) / 'local-chromium'
进一步查看可以发现：
__pyppeteer_home__ = os.environ.get('pyppeteer_home', appdirs('pyppeteer').user_data_dir)
revision = os.environ.get('pyppeteer_chromium_revision', __chromium_revision__)
所以，downloads_folder 和 revision都是读取对应环境变量设置好的值，如果没有设置，就使用默认值。我们来输出一下，看看默认值：
import pyppeteer.chromium_downloader
print('默认版本是：{}'.format(pyppeteer.__chromium_revision__))
print('可执行文件默认路径：{}'.format(pyppeteer.chromium_downloader.chromiumexecutable.get('win64')))
print('win64平台下载链接为：{}'.format(pyppeteer.chromium_downloader.downloadurls.get('win64')))
输出结果如下：
默认版本是：575458
可执行文件默认路径：c:\users\administrator\appdata\local\pyppeteer\pyppeteer\local-chromium\575458\chrome-win32\chrome.exe
win64平台下载链接为：https://storage.googleapis.com/chromium-browser-snapshots/win_x64/575458/chrome-win32.zip
在使用上面代码的时候，你可以将win64换成你的平台就好了，有了上面的下载链接，这个时候就可以先开始下载着chromium浏览器（有些慢），然后继续往下看。
import os
os.environ['pyppeteer_home'] = 'd:\program files'
import pyppeteer.chromium_downloader
print('默认版本是：{}'.format(pyppeteer.__chromium_revision__))
print('可执行文件默认路径：{}'.format(pyppeteer.chromium_downloader.chromiumexecutable.get('win64')))
print('win64平台下载链接为：{}'.format(pyppeteer.chromium_downloader.downloadurls.get('win64')))
输出如下：
默认版本是：575458
可执行文件默认路径：d:\program files\local-chromium\575458\chrome-win32\chrome.exe
win64平台下载链接为：https://storage.googleapis.com/chromium-browser-snapshots/win_x64/575458/chrome-win32.zip
特别提醒：上面设置环境变量的那一行，必须在导入pyppeteer这一行千米，否则设置无效。
上面这种方法你需要在每次使用pypeeteer之前通过这行代码设置一下，实在麻烦，所以，我还是更愿意直接在windows系统里面添加这个变量：
虽然我们把环境变量设置为d:\program files，但是层层文件夹之后，才到真正的可执行文件chrome.exe，下载好的压缩包解压后，所有文件都在名为chrome-win的文件夹中，所以，我们需要在d:\program files创建local-chromium\575458这两个文件夹（575458是上面的版本号，记得修改为你的版本号），然后将解压得到的chrome-win文件夹，重命名为chrome-win32，然后直接拷贝进去就好，整个安装过程就完成了。
再来试试最初（最上面）的代码，你会看到，已经可以成功运行。
我相信，大多数阅读这篇博文的读者都是用pyppeteer来开发爬虫（别说维护世界和平，我不信)，那么接下来，重点来说说爬虫中要用到的一些主要操作。
3 主要操作
3.1 打开浏览器
打开浏览器是通过pyppeteer.launcher.launch(options: dict = none, **kwargs) 方法，运行该函数后，会得到一个pyppeteer.browser.browser实例，也就是说浏览器对象实例。launch方法是必须使用的方法，所以，详细学学它的参数，你也直接阅读，因为我也是直接翻译的：
- ignorehttpserrors (bool): 是否https错误，某人情况下为false.
- headless (bool): 是否以无头模式（*面模式）执行，默认为true，为true时是不会弹出可视界面的，所以，上面代码运行时设置headless=false。注意，下面还有个devtools参数，表示是否出现打开调试窗口，如果devtools设置为true，headless就算设置为false也会弹出可视界面。
- executablepath (str): chromium或chrome浏览器的可执行文件路径，如果设置，则使用设置的这个路径，不使用默认设置.
- slowmo (int|float): 设置这个参数可以延迟pyppeteer的操作，单位是毫秒.
- args (list[str]): 要传递给浏览器进程的一些其他参数.
- ignoredefaultargs (bool): 如果有些参数你不想使用默认值，那么，通过这个参数设置，不过，孩子，最好别用，有危险（电脑会爆炸）.
- handlesigint (bool): 是否响应 sigint 信号，是否允许通过快捷键ctrl+c来终止浏览器进程，默认值为true，也就是允许.
- handlesigterm (bool): 是否响应 sigterm 信号，也就是说kill命令关闭浏览器，，默认值为true，也就是允许.
- handlesighup (bool): 是否响应 sighup 信号，即挂起信号，默认值为true，也就是允许.
- dumpio (bool): 是要将浏览器进程的输出传递给process.stdout 和 process.stderr 对象，默认为false不传递。
- userdatadir (str): 用户数据文件目录.
- env (dict): 以字典的形式传递给浏览器环境变量.
- devtools (bool): 是否打开调试窗口，上面介绍headless参数是说过，默认值为false不打开.
- loglevel (int|str): 日志级别，默认和 root logger 对象的级别相同.
- autoclose (bool): 当所有操作都执行完后，是否自动关闭浏览器，默认true，自动关闭.
- loop (asyncio.abstracteventloop): 时间循环。
- appmode (bool): deprecated.
打开浏览器操作简单，看参数就行，不多介绍。
3.2 调整窗口大小
如果你运行了上面的代码，你会发现，打开的页面只在窗口左上角一小块显示，看着很别扭，这是因为pyppeteer默认窗口大小是800*600，所以，调整一下吧。调整窗口大小通过方法实现，看下面代码，最大化窗口：
import asyncio
from pyppeteer import launch
def screen_size():
"""使用tkinter获取屏幕大小"""
import tkinter
tk = tkinter.tk()
width = tk.winfo_screenwidth()
height = tk.winfo_screenheight()
tk.quit()
return width, height
async def main():
browser = await launch(headless=false)
page = await browser.newpage()
width, height = screen_size()
await page.setviewport({ # 最大化窗口
"width": width,
"height": height
})
await page.goto('http://www.baidu.com/')
await asyncio.sleep(100)
await browser.close()
asyncio.get_event_loop().run_until_complete(main())
3.3 设置useragent
常规操作，不多说，上代码：
import asyncio
from pyppeteer import launch
async def main():
browser = await launch(headless=false)
page = await browser.newpage()
# 设置请求头useragent
await page.setuseragent('mozilla/5.0 (linux; android 6.0; nexus 5 build/mra58n) applewebkit/537.36 (khtml, like gecko) chrome/74.0.3729.169 mobile safari/537.36')
await page.goto('http://www.baidu.com/')
await asyncio.sleep(100)
await browser.close()
asyncio.get_event_loop().run_until_complete(main())
3.4 执行js脚本
有时候，为了达成某些目的（例如屏蔽网站原有js），我们不可避免得需要执行一些js脚本。执行js脚本通过evaluate方法。如下所示，我们通过js来修改window.navigator.webdriver属性的值，由此绕过网站对webdriver的检测：
import asyncio
from pyppeteer import launch
async def main():
js1 = '''() =>{
object.defineproperties(navigator,{
webdriver:{
get: () => false
}
})
}'''
js2 = '''() => {
alert (
window.navigator.webdriver
)
}'''
browser = await launch({'headless':false, 'args':['--no-sandbox'],})
page = await browser.newpage()
await page.goto('https://h5.ele.me/login/')
await page.evaluate(js1)
await page.evaluate(js2)
asyncio.get_event_loop().run_until_complete(main())
在上面代码中，通过page.evalute方法执行了两段js脚本，第一段脚本将webdriver的属性值设为false，第二段代码在此读取 webdriver属性值，输出为false。
3.5 模拟操作
pyppeteer提供了keyboard和mouse两个类来实现模拟操作，前者是用来实现键盘模拟，后者实现鼠标模拟（还有其他触屏之类的就不说了）。
主要来说说输入和点击：
import os
os.environ['pyppeteer_home'] = 'd:\program files'
import asyncio
from pyppeteer import launch
async def main():
browser = await launch(headless=false, args=['--disable-infobars'])
page = await browser.newpage()
await page.goto('https://h5.ele.me/login/')
await page.type('form section input', '12345678999') # 模拟键盘输入手机号
await page.click('form section button') # 模拟鼠标点击获取验证码
await asyncio.sleep(200)
await browser.close()
asyncio.get_event_loop().run_until_complete(main())
上面的模拟操作中，无论是模拟键盘输入还是鼠标点击定位都是通过css选择器，似乎pyppeteer的type和click直接模拟操作定位都只能通过css选择器（或者是我在官方文档中没找到方法），当然，要间接通过xpath先定位，然后再模拟操作也是可以的。下一小节中模拟登陆外卖平台就是用这种方法，不过，这种方法要麻烦一些，不推荐。
3.6 某电商平台模拟登陆
我曾经用selenium + chrome 实现了模拟登陆这个电商平台，但是实在是有些麻烦，绕过对webdriver的检测不难，但是，通过webdriver对浏览器的每一步操作都会留下特殊的痕迹，会被平台识别，这个必须通过重新编译chrome的webdriver才能实现，麻烦得让人想哭。不说了，都是泪，下面直接上用pyppeteer实现的代码：
import os
os.environ['pyppeteer_home'] = 'd:\program files'
import asyncio
from pyppeteer import launch
def screen_size():
"""使用tkinter获取屏幕大小"""
import tkinter
tk = tkinter.tk()
width = tk.winfo_screenwidth()
height = tk.winfo_screenheight()
tk.quit()
return width, height
async def main():
js1 = '''() =>{
object.defineproperties(navigator,{
webdriver:{
get: () => false
}
})
}'''
js2 = '''() => {
alert (
window.navigator.webdriver
)
}'''
browser = await launch({'headless':false, 'args':['--no-sandbox'],})
page = await browser.newpage()
width, height = screen_size()
await page.setviewport({ # 最大化窗口
"width": width,
"height": height
})
await page.goto('https://h5.ele.me/login/')
await page.evaluate(js1)
await page.evaluate(js2)
input_sjh = await page.xpath('//form/section[1]/input[1]')
click_yzm = await page.xpath('//form/section[1]/button[1]')
input_yzm = await page.xpath('//form/section[2]/input[1]')
but = await page.xpath('//form/section[2]/input[1]')
print(input_sjh)
await input_sjh[0].type('*****手机号********')
await click_yzm[0].click()
ya = input('请输入验证码：')
await input_yzm[0].type(str(ya))
await but[0].click()
await asyncio.sleep(3)
await page.goto('https://www.ele.me/home/')
await asyncio.sleep(100)
await browser.close()
asyncio.get_event_loop().run_until_complete(main())
登录时，由于等待时间过长（我猜的）导致出现以下错误：
pyppeteer.errors.networkerror: protocol error (runtime.callfunctionon): session closed. most likely the page has been closed.
在github上找到了解决方法，似乎只能改源码，找到pyppeteer包下的connection.py模块，在其43行和44行改为下面这样：
self._ws = websockets.client.connect( # self._url, max_size=none, loop=self._loop) self._url, max_size=none, loop=self._loop, ping_interval=none, ping_timeout=none)
再次运行就没问题了。可以成功绕过官方对webdriver的检测，登录成功，诸位可以自己尝试一下。
4 总结
当使用selenium+webdriver写爬虫被检测到时，pyppeteer是你得不二选择，几乎所有能在人工操作浏览器进行的操作通过pyppeteer都能实现，且能完美避开官方对webdriver的检测。pyppeteer涉及的使用方法还很多，本文只介绍了常用方法的很小很小一部分，需要一说的是，pyppeteer的中文资料真的很少，多看看吧。
参考：
上一篇： Javascript中parseInt的正确使用方式
下一篇： 环境搭建-选云天空