Python-爬虫

发布于: 2025-03-03 13:35:26 更新于: 2025-03-17 18:45:26 分类： 开 发 标签： Tag(name='Python', count=10)

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 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