如何在Python中使用Puppeteer爬虫神器
有兴趣在 Python 中使用Puppeteer吗？幸运的是，原始 Node.js 库上有一个非官方的 Python 包装器：Pyppeteer！
在本文中，您将学习如何使用 Pyppeteer 进行网络抓取，包括：
什么是 Python 中的 Pyppeteer
Pyppeteer 是一种使用代码自动化 Chromium 浏览器的工具，允许 Python 开发人员获得JavaScript 呈现功能，以便与现代网站交互并更好地模拟人类行为。
它带有无头浏览器模式，可为您提供浏览器的全部功能，但没有图形用户界面，从而提高了速度并节省了内存。
现在，让我们从 Pyppeteer 教程开始。
如何使用 Pyppeteer
让我们回顾一下在 Python 中使用 Puppeteer 的基础知识，为此您需要安装过程才能进一步了解。
一、如何在Python中安装Pyppeteer
作为先决条件，您必须在系统上安装 Python 3.6+。如果您是新手，请查看安装指南。
注意：如果需要，请随时使用我们的教程刷新您的Python 网络抓取基础。
然后，使用下面的命令安装 Pyppeteer：
pip install pyppeteer
当您第一次启动 Pyppeteer 时，如果尚未安装最新版本的 Chromium (150MB)，它会下载它，因此需要更长的时间来执行。
2. 如何使用 Pyppeteer
要使用 Pyppeteer，首先要导入所需的包。
#pip install asyncio import asyncio from pyppeteer import launch
现在，创建一个函数来获取一个对象到ScrapeMe网站。
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.goto('https://scrapeme.live/shop/')
await browserObj.close()
注意：设置headless选项以False使用 GUI 启动 Chrome 实例。我们没有使用，True因为我们正在测试。
然后，对该main()函数的异步调用使脚本生效。
asyncio.get_event_loop().run_until_complete(main())
完整代码如下所示：
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.goto('https://scrapeme.live/shop/')
## Get HTML
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
3. 用 Pyppeteer 抓取页面
添加几行代码以等待页面加载、返回其 HTML 并关闭浏览器实例。
htmlContent = await url.content() await browserObj.close() return htmlContent
将它们添加到您的脚本并打印 HTML。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.goto('https://scrapeme.live/shop/')
## Get HTML
htmlContent = await url.content()
await browserObj.close()
return htmlContent
response = asyncio.get_event_loop().run_until_complete(main())
print(response)
恭喜！🎉 你使用 Pyppeteer 抓取了你的第一个网页。
4. 解析 HTML 内容以提取数据
Pyppeteer 是一个非常强大的工具，它还允许解析页面的原始 HTML 以提取所需的信息。在我们的例子中，产品的标题和价格来自 ScrapeMe 商店。
让我们看一下源代码以确定我们感兴趣的元素。为此，请转到该网站，右键单击任意位置并选择“检查”。HTML 将显示在“开发人员工具”窗口中。
仔细看上面的截图。产品标题在标签中<h2>。同样，价格在标签内<span>，具有amount等级。
回到你的代码，使用querySelectorAll()提取所有的<h2>和<span>元素，amount在第二种情况下使用类，感谢 CSS 选择器。然后，添加一个循环以将信息存储在 JSON 文件中。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.goto('https://scrapeme.live/shop/')
titles = await url.querySelectorAll("h2")
prices = await url.querySelectorAll("span .amount")
for t,p in zip(titles,prices):
title = await t.getProperty("textContent")
price = await p.getProperty("textContent")
# printing the article titles
print(await title.jsonValue())
print(await price.jsonValue())
response = asyncio.get_event_loop().run_until_complete(main())
运行脚本，查看结果：
5.与动态页面交互
现在的许多网站，如ScrapingClub，都是动态的，这意味着JavaScript 决定其内容更改的频率。例如，社交媒体网站通常对其发布时间轴使用无限滚动。
使用 Requests 和 BeautifulSoap 库抓取此类网站是一项具有挑战性的任务。但是，Pyppeteer 可以派上用场，我们将使用它来等待事件、单击按钮并向下滚动。
等待页面加载
使用以编程方式控制的浏览器时，您必须等待当前页面的内容加载完毕才能继续下一个活动，实现此目的的两种最流行的方法是waitFor()和waitForSelector()。
waitfor（）
该waitFor()函数等待以毫秒为单位指定的时间。
以下示例在 Chromium 中打开页面并在关闭之前等待 4000 毫秒。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.goto('https://scrapingclub.com/exercise/list_infinite_scroll/')
await url.waitFor(4000)
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
等待选择器()
waitForSelector() 在继续之前等待特定元素出现在页面上。
例如，以下脚本<div>在继续下一步之前等待一些出现。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.goto('https://scrapingclub.com/exercise/list_infinite_scroll/')
await url.waitForSelector('div .alert', {'visible': True})
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
该waitForSelector()方法接受两个参数：一个指向所需元素的 CSS 选择器和一个可选的options字典。在我们上面的例子中，options是{visible: True}等待<div>元素变得可见。
单击一个按钮
您可以使用 Pyppeteer Python 单击网页上的按钮或其他元素。您需要做的就是使用选择器找到该特定元素并调用该click()方法。
您接下来看到的示例将按照路径单击页面页脚处的链接body > footer > div > p > a。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.goto('https://scrapingclub.com/exercise/list_infinite_scroll/')
await url.click('body > footer > div > p > a')
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
如前所述，网络抓取开发人员在进一步交互之前等待页面加载，例如与click()方法交互。在下图中，您看到我们单击了初始目标底部的链接。然后，我们等待标题加载到次要目标上以抓取标题。
让我们看看如何使用 Pyppeteer 做到这一点：
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": True})
url = await browserObj.newPage()
await url.goto('https://scrapingclub.com/exercise/list_infinite_scroll/')
await url.waitForSelector('body > footer > div > p > a')
await url.click('body > footer > div > p > a')
await url.waitForSelector('a[title="MichaelYin Blog')
success_message = await url.querySelector('a[title="MichaelYin Blog"]')
text = await success_message.getProperty("textContent")
print (await text.jsonValue())
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
输出如下：
MichaelYin Blog
请注意，我们合并了该waitForSelector()方法以增加代码的健壮性。
滚动页面
Pyppeteer 对于使用无限滚动来加载内容的现代网站很有用，该evaluate()功能在这种情况下会有所帮助。查看下面的代码以了解如何操作。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.setViewport({'width': 1280, 'height': 720})
await url.goto('https://scrapingclub.com/exercise/list_infinite_scroll/')
await url.evaluate("""{window.scrollBy(0, document.body.scrollHeight);}""")
await url.waitFor(5000)
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
我们创建了一个浏览器对象（带有一个url选项卡）并设置浏览器窗口的视口大小（它是网页的可见区域并影响它在屏幕上的呈现方式）。该脚本会将浏览器窗口滚动一个屏幕。
您可以使用此滚动来加载所有数据并抓取它。例如，假设您想从无限滚动页面中获取所有产品名称：
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": False})
url = await browserObj.newPage()
await url.setViewport({'width': 1280, 'height': 720})
await url.goto('https://scrapingclub.com/exercise/list_infinite_scroll/')
# Get the height of the current page
current_height = await url.evaluate('document.body.scrollHeight')
while True:
# Scroll to the bottom of the page
await url.evaluate('window.scrollBy(0, document.body.scrollHeight)')
# Wait for the page to load new content
await url.waitFor(2000)
# Update the height of the current page
new_height = await url.evaluate('document.body.scrollHeight')
# Break the loop if we have reached the end of the page
if new_height == current_height:
break
current_height = new_height
#Scraping in Action
all_product_tags = await url.querySelectorAll("div > h4 > a")
for a in all_product_tags:
product_name = await a.getProperty("textContent")
print(await product_name.jsonValue())
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
上面的 Pyppeteer 脚本导航到页面并获取当前滚动高度，然后迭代地垂直滚动页面直到不再发生滚动。该waitFor()方法在每次滚动时等待两秒钟，以确保页面正确加载内容。
最后，如该部分输出片段所示，打印所有加载产品的名称。
6. 使用 Pyppeteer 截图
观察刮板在做什么会很方便，对吧？但是您在生产环境中看不到任何实时 GUI。
幸运的是，Pyppeteer 的截图功能可以帮助调试。以下代码打开一个网页，截取整个页面的屏幕截图并以“web_screenshot.png”名称保存在当前目录中。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({"headless": True})
url = await browserObj.newPage()
await url.goto('https://scrapingclub.com/exercise/list_infinite_scroll/')
await url.screenshot({'path': 'web_screenshot.png'})
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
7. 使用 Pyppeteer 的代理
在进行网页抓取时，您需要使用代理以避免被目标网站阻止。但这是为什么呢？
如果您访问一个每天有数百或数千个请求的网站，该网站可能会将您的 IP 列入黑名单，您将无法再抓取内容。
代理充当您和目标网站之间的中介，为您提供新的 IP。一些网络抓取代理提供商，如 ZenRows，具有默认的 IP 轮换机制，以防止地址被禁止，从而节省资金。
查看以下代码片段，了解在启动方法中将代理与 Pyppeteer 集成。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch({'args': ['--proxy-server=address:port'], "headless": False})
url = await browserObj.newPage()
await url.authenticate({'username': 'user', 'password': 'passw'})
await url.goto('https://scrapeme.live/shop/')
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main()
注意：如果代理需要用户名和密码，您可以使用该authenticate()方法设置凭据。
8. 使用 Pyppeteer 登录
有时你可能想在登录后抓取内容，Pyppeteer 可以在这方面提供帮助。
转到Quotes网站，您可以在其中看到Login屏幕右上角的 。
单击登录链接会将您重定向到登录页面，其中包含用户名和密码的输入字段以及一个submit按钮。
注意：由于本网站用于测试，您可以使用“admin”作为用户名和“12345”作为密码。
让我们看看这些元素的 HTML。
下面的脚本输入用户凭据，然后使用 Pyppeteer单击登录按钮。之后，它等待五秒钟让下一页完全加载。最后对页面进行截图，测试是否登录成功。
import asyncio
from pyppeteer import launch
async def main():
browserObj =await launch()
url = await browserObj.newPage()
await url.goto('http://quotes.toscrape.com/login')
await url.type('#username', 'admin');
await url.type('#password', '12345');
await url.click('body > div > form > input.btn.btn-primary')
await url.waitFor(5000);
await url.screenshot({'path': 'quotes.png'})
## Get HTML
await browserObj.close()
asyncio.get_event_loop().run_until_complete(main())
您已成功登录。
注意：这个网站很简单，只需要用户名和密码，但有些网站实施了更高级的安全措施。阅读我们的指南，了解如何使用 Python 抓取登录信息以了解更多信息。
解决常见错误
您在设置 Pyppeteer 时可能会遇到一些错误，所以如果出现这些错误，请在此处找到解决方法。
错误：未安装 Pyppeteer
在安装 Pyppeteer 时，您可能会遇到“无法安装 Pyppeteer”错误。
您系统上的 Python 版本是根本原因，因为 Pyppeteer 仅支持 Python 3.6+ 版本。所以，如果你有一个旧版本，你可能会遇到这样的安装错误。解决方案是升级 Python 并重新安装 Pyppeteer。
错误：Pyppeteer 浏览器意外关闭
假设您在安装后第一次执行 Pyppeteer Python 脚本但遇到此错误：pyppeteer.errors.BrowserError: Browser closed unexpectedly。
这意味着并非所有 Chromium 依赖项都已完全安装。解决方案是使用以下命令手动安装 Chrome 驱动程序：
pyppeteer-install
结论
Pyppeteer 是经典 Node.js Puppeteer 库的非官方 Python 端口。它是一个设置友好、轻量级且快速的软件包，适用于 Web 自动化和动态网站抓取。
本教程介绍了如何使用 Python 的 Puppeteer 执行基本的无头 Web 抓取，以及如何处理 Web 登录和高级动态交互。此外，您现在知道如何将代理与 Pyppeteer 集成。
如果您需要更多功能，请查看官方手册，例如在 Pyppeteer 中设置自定义用户代理。
