Python——scrapy-splash（lua脚本）介绍

hybpjx · 发表于 2023-7-7 09:26

此篇文章转载于我的博客

https://www.cnblogs.com/zichliang/p/15796638.html

各位有兴趣的可以去看看。

Splash是一个JavaScript渲染服务，是一个带有HTTP API的轻量级浏览器，同时它对接了Python中的Twisted和QT库。
利用它，我们同样可以实现动态渲染页面的抓取。

官方API： https://splash.readthedocs.io/en/stable/api.html

安装

ubuntu 安装docker 命令

curl -sSL https://get.daocloud.io/docker | sh

　　或者

curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun

启动docker

sudo docker systemctl start docker

安装Splash 拉取docker镜像

sudo docker pull scrapinghub/splash

拉取成功后启动服务器

启动命令为：

docker run -p 8050:8050 -p 5023:5023 scrapinghub/splash

最后再浏览器中打开

功能介绍

异步方式处理多个网页渲染过程
获取渲染后页面的源代码或截图
通过关闭图片渲染或者使用Adblock规则来加快页面渲染速度
可执行特定的JavaScript脚本
可通过Lua脚本来控制页面渲染过程
获取渲染的详细过程并通过HAR（HTTP Archive）格式呈现

——————————————————————————————————————————————————————————————————————————————

功能实例

go 用来请求某个链接

可以模拟get和post请求，同时传入请求头、表单等数据，赋值传入变量时用{}
go方法有2个返回值，ok和reason，
ok为空代表网页加载出现错误，
reason变量中包含错误原因

url：请求的URL

baseurl：可选参数，默认为空，表示自愿加载的相对路径

headers：可选参数，默认为空，请求头

http_method：可选参数，默认为get，可以支持post

body：可选参数，默认为空，发post请求时的表单数据，传入的数据内容类型为json

formdata：可选参数，默认为空，发post请求时的表单数据，传入的数据内容类型为x-www-form-urlencoded

function main(splash, args)
  local ok, reason = splash:go{
            url="http://httpbin.org/post", 
            http_method="POST", 
            body="name=dmr"
                }
  splash:wait(2)
  if ok then
    return splash:html()
  end
end

异步处理机制

异步处理
ipairs，为集合元素进行编号（编号从1开始），类似于python的enumerate
lua脚本语言中字符串拼接用 ..
splash:wait()类似于python中的time.sleep()
当Splash执行wait方法时，它会转而去处理其他任务，等到指定时间结束后再回来进行继续处理

function main(splash, args)
  local example_urls = {"www.baidu.com", "www.taobao.com", "www.zhihu.com"}
  local urls = args.urls or example_urls
  local results = {}
  for index, url in ipairs(urls) do
    local ok, reason = splash:go("http://" .. url)
    if ok then
      splash:wait(2)
      results[url] = splash:png()
    end
  end
  return results
end

JavaScript等的操作方法

jsfunc方法

可以直接调用JavaScript定义的方法，所调用的方法要用双括号包围
如下示例，通过构造JavaScript方法来获取访问页面的title和div数量并返回
function main(splash, args)
local get_div_count = splash:jsfunc([[
function(){
var title = document.title;
var body = document.body;
var divs = body.getElementsByTagName('div');
var div_count = divs.length;
return {div_count, title};
}
]])
ok, reason = splash:go("https://www.mi.com")
result = get_div_count()
return ("This page'title is %s, there are %s divs"):format(result.title, result.div_count)
end

evaljs方法

可以执行JavaScript代码并返回最后一条JavaScript的返回结果

如下示例，只返回最后一条JavaScript语句的执行结果

function main(splash, args)
  splash:go("https://www.mi.com")
  result = splash:evaljs("document.title;document.body.getElementsByTagName('div').length;")
  return result
end

runjs方法

可以执行JavaScript代码，与evaljs类似，但是更偏向于执行某些动作或声明某些方法

如下示例，用runjs方法构造了一个JavaScript定义的方法，然后用evaljs执行此方法获取返回结果

function main(splash, args)
  splash:go("https://www.mi.com")
  splash:runjs("fofo = function(){return 'dmr'}")
  result = splash:evaljs('fofo()')
  return result
end

autoload方法

可以设置每个页面访问时自动加载的对象，在Lua语言中nil相当于python的None
ok, reason = splash:autoload{source_or_url, source=nil, url=nil}

source_or_url：JavaScript代码或JavaScript库链接

source：JavaScript代码

url：JavaScript库链接

示例1，通过构造一个get_path_title对象方法，用evaljs调用执行获取返回结果，在这里与runjs类似，不过构造方法需要用[]中括号

function main(splash, args)
  splash:autoload([[
    function get_path_title(){
    return document.title;
  }
    ]])
  splash:go("https://www.mi.com")
  result = splash:evaljs('get_path_title()')
  return result
end

发起get 和post请求

http_get方法，模拟发送http的get请求

response = splash:http_get{url, headers=nil, follow_redirects=true}

url：请求URL

headers：可选参数，默认为空，请求头

follwo_redirects：可选参数，表示是否启动自动重定向，默认为true

function main(splash, args)
  local t = require("treat")
  local response = splash:http_get("https://www.taobao.com")
  if response.status == 200 then
    return {
      b_html = response.body,
      html = t.as_string(response.body),
      url = response.url,
      status = response.status,
    }
  end  
end

http_post方法，模拟发送http的post请求，与http_get方法类似，不过多个body表单参数

http_post方法，模拟发送http的post请求，与http_get方法类似，不过多个body表单参数
response = splash:http_get{url, headers=nil, follow_redirects=true， body=nil}

url：请求URL

headers：可选参数，默认为空，请求头

follwo_redirects：可选参数，表示是否启动自动重定向，默认为true

body：可选参数，默认为空，表单数据

如下示例，将表单数据提交到了json中

function main(splash, args)
  local t = require("treat")
  local json = require("json")
  local response = splash:http_post{
    args.url, 
    body=json.encode({name="dmr"}),
    headers={["content-type"]="application/json"}
  }
  if response.status == 200 then
    return {
      'response',
      b_html = response.body,
      html = t.as_string(response.body),
      url = response.url,
      status = response.status, 
    }
  end  
end

Cookies的获取添加与删除

获取

function main(splash, args)
  assert(splash:go("https://www.baidu.com"))
  return {cookies = splash:get_cookies()}
end

添加

add_cookie方法，为当前页面添加cookie
splash:add_cookie{name, value, path=nil, domain=nil, expires=nil, httpOnly=nil,secure=nil,}

function main(splash, args)
  splash:add_cookie{'name', 'dmr'}
  assert(splash:go("https://www.baidu.com"))
  return {cookies = splash:get_cookies()}
end

删除

clear_cookies方法，清楚所有的cookies

function main(splash, args)
  splash:add_cookie{'name', 'dmr'}
  assert(splash:go("https://www.baidu.com"))
  splash:clear_cookies()
  return {cookies = splash:get_cookies()}
end

select方法和 select_all方法

select方法

查找符合条件的第一个节点，用的是CSS选择器

function main(splash, args)
assert(splash:go("https://www.taobao.com"))
input = splash:select("#q")
input:send_text("数码")
splash:wait(2)
return splash:jpeg()
end

select_all方法

查找符合条件的所有节点，用的是CSS选择器

function main(splash, args)
local treat = require("treat")
assert(splash:go("https://movie.douban.com/top250"))
assert(splash:wait(1))
local items = splash:select_all(".inq")
local sum = {}
for index, item in ipairs(items) do
sum[index] = item.node.innerHTML
end
return {
obj1 = sum,
obj2 = treat.as_array(sum)
}
end

设置定时任务进行延时执行

call_later方法，设置定时任务进行延时执行，并且可以在执行前通过cancel()方法重新执行定时任务

如下示例，构造一个timer定时任务，
当访问页面时，等待0.2秒获取页面的截图，
再等待1秒后获取页面的截图
第一次获取页面的截图页面还没加载出来，
所以获取到的是空白页

function main(splash, args)
  local pngs = {}
  local timer = splash:call_later(function()
    pngs['a'] = splash:png()
    splash:wait(1)
    pngs['b'] = splash:png()
    end, 0.2)
  splash:go("https://www.mi.com")
  return pngs
end

其他一些功能与方法

获取页面源码
```
splash:html()
```
控制页面的等待时间
```
splash:wait(2)
```
设置请求头
```
splash:set_user_agent('Splash')
```

设置自定义请求头

splash:set_custom_headers({
["User-Agent"] = "Splash",
["Host"] = "Splash.org"}
)

获取当前页面的大小，即宽高
```
splash:get_viewport_size()
```
设置当前浏览器页面的大小，即宽高
```
splash:set_viewport_size(400, 400)
```
用来设置浏览器全屏显示
```
splash:set_viewport_full()
```
获取当前正在访问页面的url
```
splash:url()
```
获取页面加载过程描述
```
splash:har()
```

获取网页页面png格式或jpeg格式的截图

params={
png = splash:png(),
jpeg = splash:jpeg()
}

设置页面的内容
```
splash:set_content("<h1>hello</h1>")
```
控制页面的上下左右滚动用x定位左右，y定位上下
```
splash.scroll_position = {y = 800}
```
控制浏览器插件（如flash等）是否开启默认为false
```
splash.plugins_enabled= true
```
页面图片是否加载，默认为true
```
splash.images_enabled = false 
```
页面加载超时时间，单位是秒
```
splash.resource_timeout = 0.01 
```
页面JavaScript的执行开关，默认为true
```
splash.js_enabled = False
```
模拟鼠标点击操作传入x和y进行点击操作查找到相关节点，调用此方法进行点击操作
```
search = splash:select('#su')
search:mouse_click()
```

输入文字

splash:select("#username"):send_text("username")

一些万用脚本

添加请求头请求url

function main(splash,args)
      local url=args.url
      splash:set_user_agent("Mozilla/5.0Chrome/69.0.3497.100Safari/537.36")
      splash:go(url)
      splash:wait(2)
      splash:go(url)
      return{
      html=splash:html(),
      png = splash:png()
      }
end

通过滑动来完成动态加载

function main(splash, args)
      splash:go(args.url)
      local scroll_to = splash:jsfunc("window.scrollTo")
      scroll_to(0, 2800)
      splash:set_viewport_full()
      splash:wait(5)
      return {html=splash:html()}
end

对接python

render.html

render.html页面，此接口用于获取JavaScript渲染的页面的HTML代码

获取百度页面源代码url示例：http://localhost:8050/render.html?url=https://www.baidu.com
示例，通过调用render.html页面获取百度的源代码并且设置等待时间为4秒import requests

url = ' http://192.168.2.55:8050/render.html?url=https://www.baidu.com&wait=4'
response = requests.get(url)
print(response.text)

render.png和render.jpeg

render.png和render.jpeg，此接口获取网页截图，返回的是二进制数据
配置参数：url，wait，width，height
render.jpeg多了个参数quality，
用来调整图片的质量，取值1-100，默认值为75，应尽量避免取95以上的数值

url示例：http://localhost:8050/render.png?url=https://www.baidu.com&wait=2&width=400&height=400
示例，通过render.png接口获取页面宽400高400的页面截图并保存到文件中

url = 'http://192.168.2.55:8050/render.png?url=https://www.taobao.com&wait=5&width=1000&height=700'
url2 = 'http://192.168.2.55:8050/render.jpeg?url=https://www.taobao.com&wait=5&width=1000&height=700&quality=90'
response = requests.get(url)
with open('taobao.png', 'wb') as f:
    f.write(response.content)
response2 = requests.get(url2)
with open('taobao.jpeg', 'wb') as f:
    f.write(response2.content)

render.har

此接口用来获取页面加载的HAR数据，返回的是json格式的数据

url示例：http://localhost:8050/render.har?url=https://www.baidu.com&wait=2import requests, json

url = ' http://192.168.2.55:8050/render.har?url=https://www.baidu.com&wait=2'
response = requests.get(url)
print(response.content)
with open('har.text', 'w') as f:
    f.write(json.dumps(json.loads(response.content), indent=2))

render.json

render.json，此接口包含了前面接口的所有功能，返回结果是json格式

url示例：http://localhost:8050/render.json?url=https://www.baidu.com&html=1&png=1&jpeg=1&har=1
默认返回：

{'url': ' https://www.baidu.com/', 'requestedUrl': ' https://www.baidu.com/', 'geometry': [0, 0, 1024, 768], 'title': '百度一下，你就知道'}

通过将html、png、jpeg、har参数置为1获取相关的页面数据import requests, json

url = ' http://192.168.2.55:8050/render.json?url=https://www.baidu.com&html=1&png=1&jpeg=1&har=1'
response = requests.get(url)
data = json.loads(response.content)
print(data)
print(data.get('html'))
print(data.get('png'))
print(data.get('jpeg'))
print(data.get('har'))

**execute

功能强大，此接口可实现与Lua脚本的对接，实现交互性操作

url示例：http://localhost:8050/execute?lua_source=
示例1，简单示例，返回lua的执行结果

from urllib.parse import quote
import requests

lua = '''
function main(splash)
  return 'hello'
end
'''
url = 'http://192.168.2.55:8050/execute?lua_source=%s' % quote(lua)
response = requests.get(url)
print(response.text)

示例2，通过execute执行lua脚本获取页面的url，png，html

from urllib.parse import quote
import requests, json

lua = '''
function main(splash)
  splash:go('https://www.baidu.com')
  splash:wait(2)
  return {
    html = splash:html(),
    png = splash:png(),
    url = splash:url()
  }
end
'''
url = 'http://192.168.2.55:8050/execute?lua_source=%s' % quote(lua)
response = requests.get(url)
print(type(response.text), response.text)
dic = json.loads(response.text)
print(type(dic), len(dic), dic.keys())

对接scrapy

def start_requests(self):
    lua="""
        function main(splash, args)
          splash.images_enabled = false  
          assert(splash:go(args.url))
          assert(splash:wait(1))
          js = string.format("document.querySelector('body > div.container > div.main.clearfix > div > div.page > span:nth-child(4) > a').click();", args.page)
          splash:runjs(js)
          assert(splash:wait(5))
          return splash:html()
        end
        """
    url="http://www.pingtan.gov.cn/jhtml/cn/8423"

    yield scrapy_splash.SplashRequest(
          url=url,
          endpoint="execute",
          args={
              "url":url,
              "lua_source":lua,
              "page":page,
              "wait":1
          },
          callback=self.parse
      )

Splash使用代{过}{滤}理

直接设置

yield SplashRequest(
            url=self.start_urls[0],
            callback=self.parse,
            args={
                "wait": 3,
                 # 这里写你代{过}{滤}理
                "proxy": 'http://xxx.xxx.xxx.xxx:xxx'
            }

        )

使用中间件设置

class ProxyMiddleware(object):
      def process_request(self, request, spider):
              # proxyServer 是代{过}{滤}理
          request.meta['splash']['args']['proxy'] = proxyServer 
              # 认证消息，没有可以不写
          # request.headers["Proxy-Authorization"] = proxyAuth

好了就介绍到这里把也是自己整理了好多大神的资料

Zoeylander · 发表于 2023-7-7 10:17

麻竹学习了，非常感谢！

lingwushexi · 发表于 2023-7-7 10:25

学习了，非常感谢！

qingfengfeng · 发表于 2023-7-7 11:10

谢谢楼主分享

acexxx · 发表于 2023-7-7 14:18

牛啊，这样子就不用费尽心思获取一些值了。

D3D行者云 · 发表于 2023-7-7 15:04

麻竹学习了，非常感谢！

国土无双 · 发表于 2023-7-7 16:03

国内主流的互联网都对这种无头浏览器做了检测，也过不了几家

hybpjx · 发表于 2023-7-8 07:50

国土无双发表于 2023-7-7 16:03
国内主流的互联网都对这种无头浏览器做了检测，也过不了几家

可以过瑞树 cookie的都能过而且对接的是scrapy 并发量还可以。对那些大厂的反爬肯定还是有所欠缺，最好还是用rpc 或者逆向去过。

zhouzheng1201 · 发表于 2024-2-27 13:42

谢谢楼主分享

hongyemosuo · 发表于 2024-2-27 19:11

赞一个，去你博客看了一下，cnblogs竟然变成这样了！！！

帐号		自动登录	找回密码
密码			注册[Register]

[Python 原创] Python——scrapy-splash（lua脚本）介绍

安装

ubuntu 安装docker 命令

启动docker

安装Splash 拉取docker镜像

拉取成功后启动服务器

最后再浏览器中打开

功能介绍

功能实例

go 用来请求某个链接

异步处理机制

JavaScript等的操作方法

发起get 和post请求

Cookies的获取添加与删除

select方法和 select_all方法

设置定时任务进行延时执行

其他一些功能与方法

一些万用脚本

对接python

render.html

render.png和render.jpeg

render.har

render.json

**execute

对接scrapy

Splash使用代{过}{滤}理

直接设置

使用中间件设置

免费评分

[Python 原创] Python——scrapy-splash（lua脚本）介绍

安装

ubuntu 安装docker 命令

启动docker

安装Splash 拉取docker镜像

拉取成功后启动服务器

最后再浏览器中打开

功能介绍

功能实例

go 用来请求某个链接

异步处理 机制

JavaScript等的操作方法

发起get 和post请求

Cookies的获取添加与删除

select方法 和 select_all方法

设置定时任务进行延时执行

其他一些功能与方法

一些万用脚本

对接python

render.html

render.png和render.jpeg

render.har

render.json

**execute

对接scrapy

Splash使用代{过}{滤}理

直接设置

使用中间件设置

免费评分

异步处理机制

select方法和 select_all方法