Python网络爬虫(5):PhantomJS实战

摘要:从零开始写爬虫,初学者的速成指南!

封面:

image

大家好!从今天开始,我要与大家一起打造一个属于我们自己的分布式爬虫平台,同时也会对涉及到的技术进行详细介绍。大家如果有什么好的想法请多留言,多提意见,一起来完善我们的爬虫平台。在正式介绍平台之前,先用一些篇幅对基础篇做一点补充。

模拟滚动

这次的目标是爬一个众筹网站的所有项目,项目列表页如下:https://www.kaistart.com/project/more.html。打开后进行分析,页面显示出10个项目:

项目

如果想看到更多项目,并不能像网易云音乐那样点“下一页”翻页,而是需要向下拉滚动条或者向下滚动鼠标滚轮来触发异步请求。爬虫该如何应对这种情况呢?我们可以使用selenium的api执行js代码将屏幕内容滚动到指定位置。

滚动

下面这段代码会一直向下滚动项目页,一直到滚不动为止:

# 一直滚动到最底部js1 = return document.body.scrollHeightjs2 = window.scrollTo(0, document.body.scrollHeight)old_scroll_height = 0while browser.execute_script(js1) >= old_scroll_height: old_scroll_height = browser.execute_script(js1) browser.execute_script(js2) time.sleep(1)

scrollTo() 方法可把内容滚动到指定的坐标:

参数描述xpos必需。要在窗口文档显示区左上角显示的文档的 x 坐标ypos必需。要在窗口文档显示区左上角显示的文档的 y 坐标。

这里用到了scrollHeight,它和ClientHeight还有OffsetHeight有什么区别呢?

scrollHeight

offsetHeight: 包括内容可见部分的高度,border,可见的padding,水平方向的scrollbar(如果存在);不包括margin。

clientHeight: 包括内容可见部分的高度,可见的padding;不包括border,水平方向的scrollbar,margin。

scrollHeight: 包括内容的高度(可见与不可见),padding(可见与不可见);不包括border,margin。

Chrome

代码写好了,接下来就用selenium+phantomJs大法实验一下!滚到底后把项目列表提取出来看一下:

browser = webdriver.PhantomJs() url = try: browser.get(url) wait = ui.WebDriverWait(browser, 20) wait.until(lambda dr: dr.find_element_by_class_name(project-detail).is_displayed()) # 一直滚动到最底部js1 = return document.body.scrollHeightjs2 = window.scrollTo(0, document.body.scrollHeight)old_scroll_height = 0while browser.execute_script(js1) >= old_scroll_height: old_scroll_height = browser.execute_script(js1) browser.execute_script(js2) time.sleep(1) sel = Selector(text=browser.page_source) proj_list = sel.xpath(//li[@class="project-li"])

程序运行结束后,显示proje_list里面只有25个元素,而我们自己手动滚的话却有100多个,明显有bug。想定位这个问题很简单,截图即可,看看为什么停在第25个项目。对,phantomJs虽然没有图形界面,但是可以截图。

!important;">browser.save_screenshot(debug.png)</pre>

这样就会把图片保存在项目目录,打开看看:

图片

发现项目页只能显示一行,这说明网页不兼容phantomJs,这倒不是什么新鲜事,换一个浏览器试试呗。第一期介绍过,selenium是支持所有主流浏览器的。比如换成Chrome,只需改一行代码:

再次运行程序,不出所料,Chrome浏览器弹出来,不仅能够正确显示页面,还一直在滚动:

image

项目全都刷出来了,想爬什么就爬吧!什么?你问我在Linux服务器上怎么爬?纯命令行的那种吗?

image

虚拟X Server

PhantomJs是无界面浏览器,可以在Linux服务器上正常运行,但Chrome会在调用GUI接口时报错。既然Linux服务器没有图形接口服务,也就是X Server,我们就要虚拟出来一个,才能让Chrome正常运行。于是找到了Xvfb(X virtual frame buffer),它可以用来作为完整X服务程序的替代。Xvfb有一个Python的封装叫PyVirtualDisplay,我们就用它来解决这个问题。

安装:

pip install pyvirtualdisplay

用法:

from selenium import webdriverfrom pyvirtualdisplay import Display display = Display(visible=0, size=(800, 600)) display.start() driver = webdriver.Chrome() driver.get("")print (driver.page_source.encode(utf-8)) driver.quit() display.stop()

运行程序后打印出了baidu的页面内容,现在可以完美运行Chrome了。需要补充的是,在Linux上运行Chrome需要额外安装一个ChromeDriver,比较简单,就不详细介绍了。

分布式系统

既然我们要打造自己的分布式爬虫平台,就要先知道什么是分布式系统,百度百科是这样定义的:

分布式系统(distributed system)是建立在网络之上的软件系统。正是因为软件的特性,所以分布式系统具有高度的内聚性和透明性。因此,网络和分布式系统之间的区别更多的在于高层软件(特别是操作系统),而不是硬件。内聚性是指每一个数据库分布节点高度自治,有本地的数据库管理系统。透明性是指每一个数据库分布节点对用户的应用来说都是透明的,看不出是本地还是远程。在分布式数据库系统中,用户感觉不到数据是分布的,即用户不须知道关系是否分割、有无副本、数据存于哪个站点以及事务在哪个站点上执行等。

这个定义不太好理解,看看书上怎么说。《分布式系统概念与设计》一书中对分布式系统做了如下定义:

分布式系统是一个硬件或软件组件分布在不同的网络计算机上,彼此之间仅仅通过消息传递进行通信和协调的系统。

《分布式系统原理和范型》一书中是这样定义分布式系统的:

分布式系统是若干独立计算机的集合,这些计算机对于用户来说就像是单个相关系统。

简单来说就是一群独立计算机集合共同对外提供服务,但是对于系统的用户来说,就像是一台计算机在提供服务一样。分布式意味着可以采用更多的普通计算机(相对于昂贵的大型机)组成分布式集群对外提供服务。计算机越多,CPU、内存、存储资源等也就越多,能够处理的并发访问量也就越大。

从分布式系统的概念中我们知道,各个主机之间通信和协调主要通过网络进行,所以,分布式系统中的计算机在空间上几乎没有任何限制,这些计算机可能被放在不同的机柜上,也可能被部署在不同的机房中,还可能在不同的城市中,对于大型的网站甚至可能分布在不同的国家。但是,无论空间上如何分布,一个标准的分布式系统应该具有以下几个主要特征:

透明性

系统资源被所有计算机共享。每台计算机的用户不仅可以使用本机的资源,还可以使用本分布式系统中其他计算机的资源。

同一性

系统中的若干台计算机可以互相协作来完成一个共同的任务,或者说一个程序可以分布在几台计算机上并行地运行。

通信性

系统中的计算机都可以通过通信来交换信息。

下一步

今天先了解下基本概念,热热身。整个系统的架构及流程留到下次一起奉上。下期再见!