Python-爬虫

Python 爬虫相关笔记

Selenium 操作浏览器

Selenium with Python
https://selenium-python.readthedocs.io/index.html

pip install selenium

页面加载策略

pageLoadStrategy 是 Selenium 中用于控制页面加载策略的一个配置项。它决定了 Selenium 在何时认为页面已经加载完成，从而可以继续执行后续的自动化代码。

Normal 默认策略，Selenium 会等待页面完全加载完成，包括所有的资源（如图片、样式表等）都加载完毕。
Eager Selenium 会在 DOMContentLoaded 事件触发后认为页面已经加载完成，此时页面的 DOM 树已经构建完毕，但可能还有样式表、图片等资源正在加载。
None Selenium 不会等待任何页面加载事件，初始 HTML 下载后立即返回控制权给自动化代码。这意味着页面可能还在加载中，但代码已经开始执行。

通过 Option 设置：

from selenium.webdriver.chrome.options import Options as ChromeOptions
from selenium.webdriver.firefox.options import Options as FirefoxOptions

# chrome
options = ChromeOptions()
options.page_load_strategy = 'none'  # none 不等待完整加载，直接继续执行后续代码
driver = webdriver.Chrome(options=options)

# firefox
options = FirefoxOptions()
options.page_load_strategy = 'none'  # none 不等待完整加载，直接继续执行后续代码
driver = webdriver.Firefox(options=options)

或者，通过 capabilities 设置

from selenium.webdriver.common.desired_capabilities import DesiredCapabilities

capabilities = DesiredCapabilities.CHROME
capabilities["pageLoadStrategy"] = "none"  # 不等待完整加载，直接继续执行后续代码
driver = webdriver.Chrome(desired_capabilities=capabilities)
driver.get(url)  # 立即返回，不阻塞

selenium+chrome docker 镜像

https://hub.docker.com/r/selenium/standalone-chrome

docker pull selenium/standalone-chrome
启动镜像：

docker run -d \
--name selenium-chrome \
--network=host \
-e SE_NODE_PORT=8444 \
-e SE_VNC_PORT=8900 \
-e TZ=Asia/Shanghai \
-e LANG=zh_CN.UTF-8 \
-e SE_VNC_NO_PASSWORD=1 \
-e SE_NODE_SESSION_TIMEOUT=180 \
--ulimit nofile=32768:32768 \
--shm-size="2g" \
selenium/standalone-chrome

–shm-size：解决容器内存不足导致的崩溃问题‌
-p 4444:4444：映射容器Selenium服务端口‌

创建远程driver

options = ChromeOptions()
options.add_argument("--headless=new")  # 无界面模式（headless mode）不显示图形用户界面运行浏览器
options.add_argument("--no-sandbox")  # 禁用沙盒模式
options.add_argument("--disable-gpu")
options.add_argument("--remote-allow-origins=*")
options.add_argument("--disable-dev-shm-usage")  # 防止内存不足问题
options.add_argument("--disable-blink-features=AutomationControlled")  # 规避自动化检测
options.add_experimental_option("excludeSwitches", ["enable-automation"])  # 隐藏自动化标志
driver = webdriver.Remote(command_executor=remote_driver_url, options=options)

爬取的网页是英文

问题：
默认的 selenium/standalone-chrome 镜像启动后默认语言为英文，导致打开的网页也是优先英文，进而爬取的网页是英文内容

解决：
1、创建驱动时增加 lang 参数：

# chrome
options = ChromeOptions()
options.add_argument("--lang=zh-CN.UTF-8")
# firefox
options = FirefoxOptions()
options.set_preference("intl.accept_languages", "zh-CN.UTF-8")

我爬取的网站，这样设置后就可以了。

2、如果不行，启动镜像时设置 LANG 环境变量为 zh_CN.UTF-8

docker run -d -p 4444:4444 \
    --shm-size=2g \
    -e TZ=Asia/Shanghai \
    -e LANG=zh_CN.UTF-8 \
    selenium/standalone-chrome

Mac 手动安装Chrome驱动

1、查看 chrome 版本：
浏览器输入：
chrome://version/

Google Chrome    133.0.6943.142 (正式版本) (arm64) 
修订版本    f217c2438a8e1f4b9e730de378ce20f754b2c3d0-refs/branch-heads/6943@{#1913}
操作系统    macOS 版本15.3.1（版号24D70）
JavaScript    V8 13.3.415.23
用户代理    Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/133.0.0.0 Safari/537.36
命令行    /Applications/Google Chrome.app/Contents/MacOS/Google Chrome --restart --flag-switches-begin --flag-switches-end
可执行文件路径    /Applications/Google Chrome.app/Contents/MacOS/Google Chrome
个人资料路径    /Users/masi/Library/Application Support/Google/Chrome/Default
Linker    lld
命令行变体    eyJkaXNhYmxlLWZlYXR1cmVzIjoiQXVkaW9JbnB1dENvbmZpcm1SZWFkc1Zp...    
使用中的变体    e61eae14-377be55a

2、下载和 chrome 浏览器版本相同的驱动：
https://googlechromelabs.github.io/chrome-for-testing/

3、解压后将 chromedriver-mac-arm64 中的 chromedriver 可执行程序放到 /usr/local/bin 或当前虚拟环境 bin 目录中

webdriver_manager 自动安装浏览器驱动

pip install webdriver_manager
webdriver_manager 是 Python 中的一个库，用于管理 Web 驱动程序。它的作用是自动下载和设置不同浏览器（如 Chrome、Firefox、Edge 等）的 Web 驱动程序，以便在自动化测试中使用这些浏览器。
使用 Selenium 等爬虫时需要一个与浏览器相匹配的 Web 驱动程序，以便控制和操作浏览器。webdriver_manager 提供了一种简便的方式，可以自动检测所需浏览器的版本并下载相应的 Web 驱动程序。这样，您就不需要手动下载和设置 Web 驱动程序，可以减轻您的负担，提高测试的可靠性和可维护性。

使用方法：

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from webdriver_manager.chrome import ChromeDriverManager

# 使用 ChromeDriverManager 安装 ChromeDriver，并返回驱动程序的路径
driver_path = ChromeDriverManager().install()
# 打印驱动程序的路径
print(driver_path)

# 创建 ChromeDriver 服务，并指定驱动程序的路径
service = Service(driver_path)
# 创建 Chrome WebDriver，并指定服务
driver = webdriver.Chrome(service=service)
# 打开百度网页
driver.get("https://www.baidu.com")

Selenium 4.6+ 内置 Selenium Manager 可自动下载浏览器驱动

Introducing Selenium Manager
https://www.selenium.dev/blog/2022/introducing-selenium-manager/

Selenium 4.6.0 Released!
https://www.selenium.dev/blog/2022/selenium-4-6-0-released/

从 Selenium 4.6 版本开始，不需要手动下载浏览器驱动，也不需要用三方包 webdriver_manager 来下载驱动，Selenium 内置了 Selenium Manager 这个驱动管理工具。
直接创建 Chrome 或 Firefox 实例即可：

driver = webdriver.Chrome(options=options)
driver = webdriver.Firefox(options=options)

调用 webdriver.Firefox() 或 webdriver.Chrome() 时，如果未显式指定 service 参数，Selenium 会通过内置的 Selenium Manager 自动查找或下载驱动：
如果检测到系统中未已安装浏览器驱动，自动从官方源下载匹配浏览器版本的驱动，并将驱动缓存到本地，默认路径为 ~/.cache/selenium，后续无需重复下载。

soup 解析html

pip install beautifulsoup4
pip install lxml

BeautifulSoup(
    markup="",           # 要解析的文档内容
    features=None,       # 指定解析器类型（或通过第二个位置参数传入）
    builder=None,        # 自定义的解析器实例
    parse_only=None,     # 仅解析部分内容
    from_encoding=None,  # 指定原始编码
    exclude_encodings=None,  # 排除不可用的编码
    **kwargs             # 其他兼容性参数
)

第一个参数 markup 是必填的 html 源码
第二个参数 features 可以指定解析器，

BeautifulSoup(markup, 'html.parser') Python 内置，无需安装，速度中等
BeautifulSoup(markup, 'lxml') 速度快，需安装 lxml 库（推荐）。
BeautifulSoup(markup 'xml') 解析 XML，支持 XPath，速度快
BeautifulSoup(markup, 'html5lib') 容错性最强，生成浏览器兼容的 DOM，速度慢。

使用示例

from bs4 import BeautifulSoup

soup = BeautifulSoup('<item><name>Test</name></item>', 'lxml')
print(soup.item)

soup.find(id='mainText') # 查找 id='mainText' 的标签

readability+html2text 解析网页正文

https://github.com/buriy/python-readability
安装：
pip install readability-lxml
pip install lxml_html_clean
pip install html2text

使用示例：

html = '<h1>Hello, World!</h1><p>This is an example.</p>'
doc = Document(html)
title = doc.short_title().strip()
# 返回结果带 <html>/<body> 标签，传入 html_partial=True 参数结果无<html>/<body> 标签
content_html = doc.summary()
h2t = html2text.HTML2Text()
content = h2t.handle(content_html)

参数：

doc = Document(
    html_content,
    url="http://example.com",        # 用于处理相对链接
    positive_keywords=["tit", "text", "member"],  # 正向关键词白名单
    negative_keywords=["footer", "nav"],          # 负面关键词黑名单
    retry_length=250,                # 最小内容长度阈值（调低以保留短文本）
    xpath=False,                     # 禁用XPath模式（避免过度过滤）
    handle_failures="keep",          # 保留解析失败内容
)

GeneralNewsExtractor(GNE) 解析网页

pip install gne
GNE: 通用新闻网站正文抽取器
https://github.com/GeneralNewsExtractor/GeneralNewsExtractor
https://generalnewsextractor.readthedocs.io/zh-cn/latest/

gne 输入是 HTML 源代码，没有请求网页的功能，需要自己先把网页 html 源码爬下来。

在线体验 https://gne.kingname.info/

DrissionPage 网页爬虫

https://drissionpage.cn/
DrissionPage 是一个基于 Python 的网页自动化工具。
既能控制浏览器，也能收发数据包，还能把两者合而为一。
可兼顾浏览器自动化的便利性和 requests 的高效率。
功能强大，语法简洁优雅，代码量少，对新手友好。

playwright web测试/爬虫

微软的 web 自动化工具，相较于目前最常用的Selenium，它仅用一个API即可自动执行Chromium、Firefox、WebKit等主流浏览器自动化操作。
https://playwright.dev/

playwright-python

microsoft / playwright-python
https://github.com/microsoft/playwright-python

playwright最详细使用教程
https://blog.csdn.net/m0_51156601/article/details/126886040

playwright-java

microsoft / playwright-java
https://github.com/microsoft/playwright-java

Playwright for Java
https://playwright.dev/java/

feapder 网页爬虫

https://feapder.com/#/
https://github.com/Boris-code/feapder

feapder是一款上手简单，功能强大的Python爬虫框架，内置AirSpider、Spider、TaskSpider、BatchSpider四种爬虫解决不同场景的需求。
支持断点续爬、监控报警、浏览器渲染、海量数据去重等功能。
更有功能强大的爬虫管理系统feaplat为其提供方便的部署及调度

采集动态页面时（Ajax渲染的页面），常用的有两种方案：

一种是找接口拼参数，这种方式比较复杂但效率高，需要一定的爬虫功底；
另外一种是采用浏览器渲染的方式，直接获取源码，简单方便

浏览器渲染-Selenium

框架内置一个浏览器渲染池，默认的池子大小为1，请求时重复利用浏览器实例，只有当代理失效请求异常时，才会销毁、创建一个新的浏览器实例
内置浏览器渲染支持 CHROME、EDGE、PHANTOMJS、FIREFOX

浏览器渲染-Playwright

框架支持playwright渲染下载，每个线程持有一个playwright实例
框架支持chromium、firefox、webkit 三种浏览器渲染

当前位置 : 首页 » 文章分类 : 开发 » Python-爬虫