欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  新闻

好用的爬虫软件(免费网络爬虫工具)

程序员文章站 2024-03-29 12:49:04
playwright 是微软在 2020 年初开源的新一代自动化测试工具,它的功能类似于 selenium、pyppeteer 等,都可以驱动浏览器进行各种自动化操作。它的功能也非常强大,对市面上的主...

playwright 是微软在 2020 年初开源的新一代自动化测试工具,它的功能类似于 selenium、pyppeteer 等,都可以驱动浏览器进行各种自动化操作。它的功能也非常强大,对市面上的主流浏览器都提供了支持,api 功能简洁又强大。虽然诞生比较晚,但是现在发展得非常火热。

因为 playwright 是一个类似 selenium 一样可以支持网页页面渲染的工具,再加上其强大又简洁的 api,playwright 同时也可以作为网络爬虫的一个爬取利器。

好用的爬虫软件(免费网络爬虫工具)

1. playwright 的特点

  • playwright 支持当前所有主流浏览器,包括 chrome 和 edge(基于 chromium)、firefox、safari(基于 webkit) ,提供完善的自动化控制的 api。
  • playwright 支持移动端页面测试,使用设备模拟技术可以使我们在移动 web 浏览器中测试响应式 web 应用程序。
  • playwright 支持所有浏览器的 headless 模式和非 headless 模式的测试。
  • playwright 的安装和配置非常简单,安装过程中会自动安装对应的浏览器和驱动,不需要额外配置 webdriver 等。
  • playwright 提供了自动等待相关的 api,当页面加载的时候会自动等待对应的节点加载,大大简化了 api 编写复杂度。

本节我们就来了解下 playwright 的使用方法。

2. 安装

playwright 目前提供了 python 和 node.js 的 api,下面我们针对 python 版的 playwright 进行介绍。

要使用 playwright,需要 python 3.7 版本及以上,请确保 python 的版本符合要求。

要安装 playwright,可以直接使用 pip3,命令如下:

pip3 install playwright

安装完成之后需要进行一些初始化操作:

playwright install

这时候 playwrigth 会安装 chromium, firefox and webkit 浏览器并配置一些驱动,我们不必关心中间配置的过程,playwright 会为我们配置好。

具体的安装说明可以参考:
https://setup.scrape.center/playwright 。

安装完成之后,我们便可以使用 playwright 启动 chromium 或 firefox 或 webkit 浏览器来进行自动化操作了。

3. 基本使用

playwright 支持两种编写模式,一种是类似 pyppetter 一样的异步模式,另一种是像 selenium 一样的同步模式,我们可以根据实际需要选择使用不同的模式。

我们先来看一个基本同步模式的例子:

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    for browser_type in [p.chromium, p.firefox, p.webkit]:
        browser = browser_type.launch(headless=false)
        page = browser.new_page()
        page.goto('https://www.baidu.com')
        page.screenshot(path=f'screenshot-{browser_type.name}.png')
        print(page.title())
        browser.close()

首先我们导入了 sync_playwright 方法,然后直接调用了这个方法,该方法返回的是一个 playwrightcontextmanager 对象,可以理解是一个浏览器上下文管理器,我们将其赋值为变量 p。

接着我们调用了 playwrightcontextmanager 对象的 chromium、firefox、webkit 属性依次创建了一个 chromium、firefox 以及 webkit 浏览器实例,接着用一个 for 循环依次执行了它们的 launch 方法,同时设置了 headless 参数为 false。

注意:如果不设置为 false,默认是无头模式启动浏览器,我们看不到任何窗口。

launch 方法返回的是一个 browser 对象,我们将其赋值为 browser 变量。然后调用 browser 的 new_page 方法,相当于新建了一个选项卡,返回的是一个 page 对象,将其赋值为 page,这整个过程其实和 pyppeteer 非常类似。接着我们就可以调用 page 的一系列 api 来进行各种自动化操作了,比如调用 goto,就是加载某个页面,这里我们访问的是百度的首页。接着我们调用了 page 的 screenshot 方法,参数传一个文件名称,这样截图就会自动保存为该图片名称,这里名称中我们加入了 browser_type 的 name 属性,代表浏览器的类型,结果分别就是 chromium, firefox, webkit。另外我们还调用了 title 方法,该方法会返回页面的标题,即 html 中 title 节点中的文字,也就是选项卡上的文字,我们将该结果打印输出到控制台。最后操作完毕,调用 browser 的 close 方法关闭整个浏览器,运行结束。

运行一下,这时候我们可以看到有三个浏览器依次启动并加载了百度这个页面,分别是 chromium、firefox 和 webkit 三个浏览器,页面加载完成之后,生成截图、控制台打印结果就退出了。

这时候当前目录便会生成三个截图文件,都是百度的首页,文件名中都带有了浏览器的名称,如图所示:

好用的爬虫软件(免费网络爬虫工具)

控制台运行结果如下:

百度一下,你就知道
百度一下,你就知道
百度一下,你就知道

通过运行结果我们可以发现,我们非常方便地启动了三种浏览器并完成了自动化操作,并通过几个 api 就完成了截图和数据的获取,整个运行速度是非常快的,者就是 playwright 最最基本的用法。

当然除了同步模式,playwright 还提供异步的 api,如果我们项目里面使用了 asyncio,那就应该使用异步模式,写法如下:

import asyncio
from playwright.async_api import async_playwright

async def main():
    async with async_playwright() as p:
        for browser_type in [p.chromium, p.firefox, p.webkit]:
            browser = await browser_type.launch()
            page = await browser.new_page()
            await page.goto('https://www.baidu.com')
            await page.screenshot(path=f'screenshot-{browser_type.name}.png')
            print(await page.title())
            await browser.close()

asyncio.run(main())

可以看到整个写法和同步模式基本类似,导入的时候使用的是 async_playwright 方法,而不再是 sync_playwright 方法。写法上添加了 async/await 关键字的使用,最后的运行效果是一样的。

另外我们注意到,这例子中使用了 with as 语句,with 用于上下文对象的管理,它可以返回一个上下文管理器,也就对应一个 playwrightcontextmanager 对象,无论运行期间是否抛出异常,它能够帮助我们自动分配并且释放 playwright 的资源。

4. 代码生成

playwright 还有一个强大的功能,那就是可以录制我们在浏览器中的操作并将代码自动生成出来,有了这个功能,我们甚至都不用写任何一行代码,这个功能可以通过 playwright 命令行调用 codegen 来实现,我们先来看看 codegen 命令都有什么参数,输入如下命令:

playwright codegen --help

结果类似如下:

usage: npx playwright codegen [options] [url]

open page and generate code for user actions

options:
  -o, --output <file name>     saves the generated script to a file
  --target <language>          language to use, one of javascript, python, python-async, csharp (default: "python")
  -b, --browser <browsertype>  browser to use, one of cr, chromium, ff, firefox, wk, webkit (default: "chromium")
  --channel <channel>          chromium distribution channel, "chrome", "chrome-beta", "msedge-dev", etc
  --color-scheme <scheme>      emulate preferred color scheme, "light" or "dark"
  --device <devicename>        emulate device, for example  "iphone 11"
  --geolocation <coordinates>  specify geolocation coordinates, for example "37.819722,-122.478611"
  --load-storage <filename>    load context storage state from the file, previously saved with --save-storage
  --lang <language>            specify language / locale, for example "en-gb"
  --proxy-server <proxy>       specify proxy server, for example "http://myproxy:3128" or "socks5://myproxy:8080"
  --save-storage <filename>    save context storage state at the end, for later use with --load-storage
  --timezone <time zone>       time zone to emulate, for example "europe/rome"
  --timeout <timeout>          timeout for playwright actions in milliseconds (default: "10000")
  --user-agent <ua string>     specify user agent string
  --viewport-size <size>       specify browser viewport size in pixels, for example "1280, 720"
  -h, --help                   display help for command

examples:

  $ codegen
  $ codegen --target=python
  $ codegen -b webkit https://example.com

可以看到这里有几个选项,比如 -o 代表输出的代码文件的名称;–target 代表使用的语言,默认是 python,即会生成同步模式的操作代码,如果传入 python-async 就会生成异步模式的代码;-b 代表的是使用的浏览器,默认是 chromium,其他还有很多设置,比如 –device 可以模拟使用手机浏览器,比如 iphone 11,–lang 代表设置浏览器的语言,–timeout 可以设置页面加载超时时间。

好,了解了这些用法,那我们就来尝试启动一个 firefox 浏览器,然后将操作结果输出到 script.py 文件,命令如下:

playwright codegen -o script.py -b firefox

这时候就弹出了一个 firefox 浏览器,同时右侧会输出一个脚本窗口,实时显示当前操作对应的代码。

我们可以在浏览器中做任何操作,比如打开百度,然后点击输入框并输入 nba,然后再点击搜索按钮,浏览器窗口如下:

好用的爬虫软件(免费网络爬虫工具)

可以看见浏览器中还会高亮显示我们正在操作的页面节点,同时还显示了对应的选择器字符串 input[name=”wd”] ,右侧的窗口如图所示:

好用的爬虫软件(免费网络爬虫工具)

在操作过程中,该窗口中的代码就实时变化,可以看到这里生成了我们一系列操作的对应代码,比如在搜索框中输入 nba,就对应如下代码:

page.fill("input[name="wd"]", "nba")

操作完毕之后,关闭浏览器,playwright 会生成一个 script.py 文件,内容如下:

from playwright.sync_api import sync_playwright

def run(playwright):
    browser = playwright.firefox.launch(headless=false)
    context = browser.new_context()

    # open new page
    page = context.new_page()

    # go to https://www.baidu.com/
    page.goto("https://www.baidu.com/")

    # click input[name="wd"]
    page.click("input[name="wd"]")

    # fill input[name="wd"]
    page.fill("input[name="wd"]", "nba")

    # click text=百度一下
    with page.expect_navigation():
        page.click("text=百度一下")

    context.close()
    browser.close()

with sync_playwright() as playwright:
    run(playwright)

可以看到这里生成的代码和我们之前写的示例代码几乎差不多,而且也是完全可以运行的,运行之后就可以看到它又可以复现我们刚才所做的操作了。

所以,有了这个功能,我们甚至都不用编写任何代码,只通过简单的可视化点击就能把代码生成出来,可谓是非常方便了!

另外这里有一个值得注意的点,仔细观察下生成的代码,和前面的例子不同的是,这里 new_page 方法并不是直接通过 browser 调用的,而是通过 context 变量调用的,这个 context 又是由 browser 通过调用 new_context 方法生成的。有读者可能就会问了,这个 context 究竟是做什么的呢?

其实这个 context 变量对应的是一个 browsercontext 对象,browsercontext 是一个类似隐身模式的独立上下文环境,其运行资源是单独隔离的,在做一些自动化测试过程中,每个测试用例我们都可以单独创建一个 browsercontext 对象,这样可以保证每个测试用例之间互不干扰,具体的 api 可以参考
https://playwright.dev/python/docs/api/class-browsercontext 。

5. 移动端浏览器支持

playwright 另外一个特色功能就是可以支持移动端浏览器的模拟,比如模拟打开 iphone 12 pro max 上的 safari 浏览器,然后手动设置定位,并打开百度地图并截图。首先我们可以选定一个经纬度,比如故宫的经纬度是 39.913904, 116.39014,我们可以通过 geolocation 参数传递给 webkit 浏览器并初始化。

示例代码如下:

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    iphone_12_pro_max = p.devices['iphone 12 pro max']
    browser = p.webkit.launch(headless=false)
    context = browser.new_context(
        **iphone_12_pro_max,
        locale='zh-cn',
        geolocation={'longitude': 116.39014, 'latitude': 39.913904},
        permissions=['geolocation']
    )
    page = context.new_page()
    page.goto('https://amap.com')
    page.wait_for_load_state(state='networkidle')
    page.screenshot(path='location-iphone.png')
    browser.close()

这里我们先用 playwrightcontextmanager 对象的 devices 属性指定了一台移动设备,这里传入的是手机的型号,比如 iphone 12 pro max,当然也可以传其他名称,比如 iphone 8,pixel 2 等。

前面我们已经了解了 browsercontext 对象,browsercontext 对象也可以用来模拟移动端浏览器,初始化一些移动设备信息、语言、权限、位置等信息,这里我们就用它来创建了一个移动端 browsercontext 对象,通过 geolocation 参数传入了经纬度信息,通过 permissions 参数传入了赋予的权限信息,最后将得到的 browsercontext 对象赋值为 context 变量。

接着我们就可以用 browsercontext 对象来新建一个页面,还是调用 new_page 方法创建一个新的选项卡,然后跳转到高德地图,并调用了 wait_for_load_state 方法等待页面某个状态完成,这里我们传入的 state 是 networkidle,也就是网络空闲状态。因为在页面初始化和加载过程中,肯定是伴随有网络请求的,所以加载过程中肯定不算 networkidle 状态,所以这里我们传入 networkidle 就可以标识当前页面和数据加载完成的状态。加载完成之后,我们再调用 screenshot 方法获取当前页面截图,最后关闭浏览器。

运行下代码,可以发现这里就弹出了一个移动版浏览器,然后加载了高德地图,并定位到了故宫的位置,如图所示:

好用的爬虫软件(免费网络爬虫工具)

输出的截图也是浏览器中显示的结果。

所以这样我们就成功实现了移动端浏览器的模拟和一些设置,其操作 api 和 pc 版浏览器是完全一样的。

6. 选择器

前面我们注意到 click 和 fill 等方法都传入了一个字符串,这些字符串有的符合 css 选择器的语法,有的又是 text= 开头的,感觉似乎没太有规律的样子,它到底支持怎样的匹配规则呢?下面我们来了解下。

传入的这个字符串,我们可以称之为 element selector,它不仅仅支持 css 选择器、xpath,playwright 还扩展了一些方便好用的规则,比如直接根据文本内容筛选,根据节点层级结构筛选等等。

文本选择

文本选择支持直接使用 text= 这样的语法进行筛选,示例如下:

page.click("text=log in")

这就代表选择文本是 log in 的节点,并点击。

css 选择器

css 选择器之前也介绍过了,比如根据 id 或者 class 筛选:

page.click("button")
page.click("#nav-bar .contact-us-item")

根据特定的节点属性筛选:

page.click("[data-test=login-button]")
page.click("[aria-label='sign in']")

css 选择器 + 文本

我们还可以使用 css 选择器结合文本值进行海选,比较常用的就是 has-text 和 text,前者代表包含指定的字符串,后者代表字符串完全匹配,示例如下:

page.click("article:has-text('playwright')")
page.click("#nav-bar :text('contact us')")

第一个就是选择文本中包含 playwright 的 article 节点,第二个就是选择 id 为 nav-bar 节点中文本值等于 contact us 的节点。

css 选择器 + 节点关系

还可以结合节点关系来筛选节点,比如使用 has 来指定另外一个选择器,示例如下:

page.click(".item-description:has(.item-promo-banner)")

比如这里选择的就是选择 class 为 item-description 的节点,且该节点还要包含 class 为 item-promo-banner 的子节点。

另外还有一些相对位置关系,比如 right-of 可以指定位于某个节点右侧的节点,示例如下:

page.click("input:right-of(:text('username'))")

这里选择的就是一个 input 节点,并且该 input 节点要位于文本值为 username 的节点的右侧。

xpath

当然 xpath 也是支持的,不过 xpath 这个关键字需要我们自行制定,示例如下:

page.click("xpath=//button")

这里需要在开头指定 xpath= 字符串,代表后面是一个 xpath 表达式。

关于更多选择器的用法和最佳实践,可以参考官方文档:
https://playwright.dev/python/docs/selectors。

7. 常用操作方法

上面我们了解了浏览器的一些初始化设置和基本的操作实例,下面我们再对一些常用的操作 api 进行说明。

常见的一些 api 如点击 click,输入 fill 等操作,这些方法都是属于 page 对象的,所以所有的方法都从 page 对象的 api 文档查找就好了,文档地址:
https://playwright.dev/python/docs/api/class-page 。

下面介绍几个常见的 api 用法。

事件监听

page 对象提供了一个 on 方法,它可以用来监听页面中发生的各个事件,比如 close、console、load、request、response 等等。

比如这里我们可以监听 response 事件,response 事件可以在每次网络请求得到响应的时候触发,我们可以设置对应的回调方法获取到对应 response 的全部信息,示例如下:

from playwright.sync_api import sync_playwright

def on_response(response):
    print(f'statue {response.status}: {response.url}')

with sync_playwright() as p:
    browser = p.chromium.launch(headless=false)
    page = browser.new_page()
    page.on('response', on_response)
    page.goto('https://spa6.scrape.center/')
    page.wait_for_load_state('networkidle')
    browser.close()

这里我们在创建 page 对象之后,就开始监听 response 事件,同时将回调方法设置为 on_response,on_response 对象接收一个参数,然后把 response 的状态码和链接都输出出来了。

运行之后,可以看到控制台输出结果如下:

statue 200: https://spa6.scrape.center/
statue 200: https://spa6.scrape.center/css/app.ea9d802a.css
statue 200: https://spa6.scrape.center/js/app.5ef0d454.js
statue 200: https://spa6.scrape.center/js/chunk-vendors.77daf991.js
statue 200: https://spa6.scrape.center/css/chunk-19c920f8.2a6496e0.css
...
statue 200: https://spa6.scrape.center/css/chunk-19c920f8.2a6496e0.css
statue 200: https://spa6.scrape.center/js/chunk-19c920f8.c3a1129d.js
statue 200: https://spa6.scrape.center/img/logo.a508a8f0.png
statue 200: https://spa6.scrape.center/fonts/element-icons.535877f5.woff
statue 301: https://spa6.scrape.center/api/movie?limit=10&offset=0&token=ngmwmzfhngezmtfimzjkoge0ztq1yjuzmtc2owniyti1yzk0zdm3mswxnjiyote4nte5
statue 200: https://spa6.scrape.center/api/movie/?limit=10&offset=0&token=ngmwmzfhngezmtfimzjkoge0ztq1yjuzmtc2owniyti1yzk0zdm3mswxnjiyote4nte5
statue 200: https://p0.meituan.net/movie/da64660f82b98cdc1b8a3804e69609e041108.jpg@464w_644h_1e_1c
statue 200: https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@464w_644h_1e_1c
....
statue 200: https://p1.meituan.net/movie/b607fba7513e7f15eab170aac1e1400d878112.jpg@464w_644h_1e_1c

注意:这里省略了部分重复的内容。

可以看到,这里的输出结果其实正好对应浏览器 network 面板中所有的请求和响应内容,和下图是一一对应的:

好用的爬虫软件(免费网络爬虫工具)

这个网站我们之前分析过,其真实的数据都是 ajax 加载的,同时 ajax 请求中还带有加密参数,不好轻易获取。

但有了这个方法,这里如果我们想要截获 ajax 请求,岂不是就非常容易了?

改写一下判定条件,输出对应的 json 结果,改写如下:

from playwright.sync_api import sync_playwright

def on_response(response):
    if '/api/movie/' in response.url and response.status == 200:
        print(response.json())

with sync_playwright() as p:
    browser = p.chromium.launch(headless=false)
    page = browser.new_page()
    page.on('response', on_response)
    page.goto('https://spa6.scrape.center/')
    page.wait_for_load_state('networkidle')
    browser.close()

控制台输入如下:

{'count': 100, 'results': [{'id': 1, 'name': '霸王别姬', 'alias': 'farewell my concubine', 'cover': 'https://p0.meituan.net/movie/ce4da3e03e655b5b88ed31b5cd7896cf62472.jpg@464w_644h_1e_1c', 'categories': ['剧情', '爱情'], 'published_at': '1993-07-26', 'minute': 171, 'score': 9.5, 'regions': ['*', '中国香港']}, 
...
'published_at': none, 'minute': 103, 'score': 9.0, 'regions': ['美国']}, {'id': 10, 'name': '狮子王', 'alias': 'the lion king', 'cover': 'https://p0.meituan.net/movie/27b76fe6cf3903f3d74963f70786001e1438406.jpg@464w_644h_1e_1c', 'categories': ['动画', '歌舞', '冒险'], 'published_at': '1995-07-15', 'minute': 89, 'score': 9.0, 'regions': ['美国']}]}

简直是得来全不费工夫,我们直接通过这个方法拦截了 ajax 请求,直接把响应结果拿到了,即使这个 ajax 请求有加密参数,我们也不用关心,因为我们直接截获了 ajax 最后响应的结果,这对数据爬取来说实在是太方便了。

另外还有很多其他的事件监听,这里不再一一介绍了,可以查阅官方文档,参考类似的写法实现。

获取页面源码

要获取页面的 html 代码其实很简单,我们直接通过 content 方法获取即可,用法如下:

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=false)
    page = browser.new_page()
    page.goto('https://spa6.scrape.center/')
    page.wait_for_load_state('networkidle')
    html = page.content()
    print(html)
    browser.close()

运行结果就是页面的 html 代码。获取了 html 代码之后,我们通过一些解析工具就可以提取想要的信息了。

页面点击

刚才我们通过示例也了解了页面点击的方法,那就是 click,这里详细说一下其使用方法。

页面点击的 api 定义如下:

page.click(selector, **kwargs)

这里可以看到必传的参数是 selector,其他的参数都是可选的。第一个 selector 就代表选择器,可以用来匹配想要点击的节点,如果传入的选择器匹配了多个节点,那么只会用第一个节点。

这个方法的内部执行逻辑如下:

  • 根据 selector 找到匹配的节点,如果没有找到,那就一直等待直到超时,超时时间可以由额外的 timeout 参数设置,默认是 30 秒。
  • 等待对该节点的可操作性检查的结果,比如说如果某个按钮设置了不可点击,那它会等待该按钮变成了可点击的时候才去点击,除非通过 force 参数设置跳过可操作性检查步骤强制点击。
  • 如果需要的话,就滚动下页面,将需要被点击的节点呈现出来。
  • 调用 page 对象的 mouse 方法,点击节点中心的位置,如果指定了 position 参数,那就点击指定的位置。

click 方法的一些比较重要的参数如下:

  • click_count:点击次数,默认为 1。
  • timeout:等待要点击的节点的超时时间,默认是 30 秒。
  • position:需要传入一个字典,带有 x 和 y 属性,代表点击位置相对节点左上角的偏移位置。
  • force:即使不可点击,那也强制点击。默认是 false。

具体的 api 设置参数可以参考官方文档:
https://playwright.dev/python/docs/api/class-page/#pageclickselector-kwargs。

文本输入

文本输入对应的方法是 fill,api 定义如下:

page.fill(selector, value, **kwargs)

这个方法有两个必传参数,第一个参数也是 selector,第二个参数是 value,代表输入的内容,另外还可以通过 timeout 参数指定对应节点的最长等待时间。

获取节点属性

除了对节点进行操作,我们还可以获取节点的属性,方法就是 get_attribute,api 定义如下:

page.get_attribute(selector, name, **kwargs)

这个方法有两个必传参数,第一个参数也是 selector,第二个参数是 name,代表要获取的属性名称,另外还可以通过 timeout 参数指定对应节点的最长等待时间。

示例如下:

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=false)
    page = browser.new_page()
    page.goto('https://spa6.scrape.center/')
    page.wait_for_load_state('networkidle')
    href = page.get_attribute('a.name', 'href')
    print(href)
    browser.close()

这里我们调用了 get_attribute 方法,传入的 selector 是 a.name ,选定了 class 为 name 的 a 节点,然后第二个参数传入了 href,获取超链接的内容,输出结果如下:

/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwix

可以看到对应 href 属性就获取出来了,但这里只有一条结果,因为这里有个条件,那就是如果传入的选择器匹配了多个节点,那么只会用第一个节点。

那怎么获取所有的节点呢?

获取多个节点

获取所有节点可以使用 query_selector_all 方法,它可以返回节点列表,通过遍历获取到单个节点之后,我们可以接着调用单个节点的方法来进行一些操作和属性获取,示例如下:

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=false)
    page = browser.new_page()
    page.goto('https://spa6.scrape.center/')
    page.wait_for_load_state('networkidle')
    elements = page.query_selector_all('a.name')
    for element in elements:
        print(element.get_attribute('href'))
        print(element.text_content())
    browser.close()

这里我们通过 query_selector_all 方法获取了所有匹配到的节点,每个节点对应的是一个 elementhandle 对象,然后 elementhandle 对象也有 get_attribute 方法来获取节点属性,另外还可以通过 text_content 方法获取节点文本。

运行结果如下:

/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwix
霸王别姬 - farewell my concubine
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwiy
这个杀手不太冷 - léon
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwiz
肖申克的救赎 - the shawshank redemption
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwi0
泰坦尼克号 - titanic
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwi1
罗马假日 - roman holiday
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwi2
唐伯虎点秋香 - flirting scholar
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwi3
乱世佳人 - gone with the wind
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwi4
喜剧之王 - the king of comedy
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwi5
楚门的世界 - the truman show
/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwixma==
狮子王 - the lion king

获取单个节点

获取单个节点也有特定的方法,就是 query_selector,如果传入的选择器匹配到多个节点,那它只会返回第一个节点,示例如下:

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=false)
    page = browser.new_page()
    page.goto('https://spa6.scrape.center/')
    page.wait_for_load_state('networkidle')
    element = page.query_selector('a.name')
    print(element.get_attribute('href'))
    print(element.text_content())
    browser.close()

运行结果如下:

/detail/zwyzncn0zxvxmgj0dwejkc01n3cxctvvns0taka5ohh5z2ltbhlmehmqlsfpltatbwix
霸王别姬 - farewell my concubine

可以看到这里只输出了第一个匹配节点的信息。

网络劫持

最后再介绍一个实用的方法 route,利用 route 方法,我们可以实现一些网络劫持和修改操作,比如修改 request 的属性,修改 response 响应结果等。

看一个实例:

from playwright.sync_api import sync_playwright
import re

with sync_playwright() as p:
    browser = p.chromium.launch(headless=false)
    page = browser.new_page()

    def cancel_request(route, request):
        route.abort()

    page.route(re.compile(r"(.png)|(.jpg)"), cancel_request)
    page.goto("https://spa6.scrape.center/")
    page.wait_for_load_state('networkidle')
    page.screenshot(path='no_picture.png')
    browser.close()

这里我们调用了 route 方法,第一个参数通过正则表达式传入了匹配的 url 路径,这里代表的是任何包含 .png 或 .jpg 的链接,遇到这样的请求,会回调 cancel_request 方法处理,cancel_request 方法可以接收两个参数,一个是 route,代表一个 callableroute 对象,另外一个是 request,代表 request 对象。这里我们直接调用了 route 的 abort 方法,取消了这次请求,所以最终导致的结果就是图片的加载全部取消了。

观察下运行结果,如图所示:

好用的爬虫软件(免费网络爬虫工具)

可以看到图片全都加载失败了。

这个设置有什么用呢?其实是有用的,因为图片资源都是二进制文件,而我们在做爬取过程中可能并不想关心其具体的二进制文件的内容,可能只关心图片的 url 是什么,所以在浏览器中是否把图片加载出来就不重要了。所以如此设置之后,我们可以提高整个页面的加载速度,提高爬取效率。

另外,利用这个功能,我们还可以将一些响应内容进行修改,比如直接修改 response 的结果为自定义的文本文件内容。

首先这里定义一个 html 文本文件,命名为 custom_response.html,内容如下:

<!doctype html>
<html>
  <head>
    <title>hack response</title>
  </head>
  <body>
    <h1>hack response</h1>
  </body>
</html>

代码编写如下:

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=false)
    page = browser.new_page()

    def modify_response(route, request):
        route.fulfill(path="./custom_response.html")

    page.route('/', modify_response)
    page.goto("https://spa6.scrape.center/")
    browser.close()

这里我们使用 route 的 fulfill 方法指定了一个本地文件,就是刚才我们定义的 html 文件,运行结果如下:

好用的爬虫软件(免费网络爬虫工具)

可以看到,response 的运行结果就被我们修改了,url 还是不变的,但是结果已经成了我们修改的 html 代码。

所以通过 route 方法,我们可以灵活地控制请求和响应的内容,从而在某些场景下达成某些目的。

8. 总结

本节介绍了 playwright 的基本用法,其 api 强大又易于使用,同时具备很多 selenium、pyppeteer 不具备的更好用的 api,是新一代 javascript 渲染页面的爬取利器。