超越selenium的爬虫神器Pyppeteer
在写爬虫的时候，为了效率我们通常会选择解析网页api来获取数据，但是有时候解析方式比较困难，或者我们纯粹是为了快速实现爬虫，会使用浏览器自动化操作，说起这一点，肯定第一个想到的就是selenium，但很多时候其实selenium使用起来是不太方便的，例如环境配置，要安装浏览器、下载对应的驱动、安装对应的Python selenium库，而且各个工具的版本还要匹配，大规模部署时就比较麻烦。
下面我们介绍另一个工具-pyppeteer
Pyppeteer简介
pyppeteer是puppeteer的Python版本，而puppeteer是什么呢？puppeteer是Google基于Node.js开发的一个工具，它可以使我们通过JavaScript来控制Chrome浏览器执行一些操作，拥有丰富的API，功能非常强大，因此也可以用于网络爬虫。pyppeteer是一位日本的程序员根据Puppeteer开发的非官方Python版本。
在Pyppeteer中，它操作的是一个类似Chrome的Chromium浏览器，Chromium是相当于Chrome的开发版，是完全开源的，Chrome的所有新功能都会先在Chromium上实现，稳定后才会移植到Chrome上，因此Chromium会包含很多新功能。Pyppeteer就是依赖于Chromium来运行的，当我们第一次运行Pyppeteer的时候，如果Chromium没有安装，那么程序会自动帮我们安装和配置，省去了环境配置这一步。
下面我们详细了解一下Pyppeteer的用法。
安装
因为Pyppeteer采用了async机制，所以必须使用Python 3.5及以上版本。
使用pip安装非常简单：
pip install pyppeteer使用时直接导入：
import pyppeteer使用
接下来我们使用豆瓣电影排行榜https://movie.douban.com/chart来作为测试
下面我们用Pyppeteer来试一下，代码如下：
import asynciofrom pyppeteer import launchfrom lxml import etreeasync def main(): browser = await launch() page = await browser.newPage() await page.goto('https://movie.douban.com/chart') await page.waitForXPath('//table//a[@title]') doc = etree.HTML(await page.content()) names = [element.attrib['title'] for element in doc.xpath('//table//a[@title]')] print('Names: ', names) await browser.close()asyncio.get_event_loop().run_until_complete(main())运行结果：
Names: ['誓血五人组', '给我翅膀', '黑帮大佬和我的365日', '爱情人偶', '忠贞', '鲁邦三世 The First', '大饿', '火口的两人', '知晓天空之蓝的人啊', '野性的呼唤']代码的大体意思是访问网站，然后等待//table//a[@title]的节点加载出来，再通过xpath从网页源码中解析出电影名并输出，最后关闭Pyppeteer。具体过程如下：
- launch 方法新建一个Browser对象，赋值给browser变量，这一步就相当于启动了浏览器
- 然后browser调用newPage方法相当于新建一个选项卡，并且返回一个Page对象，这一步还是一个空白的页面，并未访问任何页面
- 然后Page调用goto方法，就相当于访问此页面
- Page对象调用waitForXpath方法，那么页面就会等待选择器所对应的节点信息加载出来，如果加载出来就立即返回，否则就会持续等待直到超时。这里就比selenium的等待元素加载完毕要清晰的多了。
- 页面加载完成后再调用content方法，获取渲染出来的页面源代码
- 最后从页面源码中提取出电影名称
另外当中还用到了asyncio的相关知识，因为Pyppeteer是基于asyncio实现的异步，所以这块知识需要先了解一下。
通过上面这个示例，我们看到Pyppeteer比Selenium要简洁的多，而且环境配置也方便，直接自动帮我们实现了环境配置。接下来我们再尝试设定浏览器窗口大小，并进行网页截图，然后执行一段自定义的JavaScript脚本，代码如下：
import asynciofrom pyppeteer import launchasync def main(): width, height = 1366, 768 browser = await launch() page = await browser.newPage() await page.setViewport({'width': width, 'height': height}) await page.goto('https://movie.douban.com/chart') await page.waitForXPath('//table//a[@title]') await asyncio.sleep(2) await page.screenshot(path='example.png') dimensions = await page.evaluate('''() => { return { width: document.documentElement.clientWidth, height: document.documentElement.clientHeight, deviceScaleFactor: window.devicePixelRatio, } }''') print(dimensions) await browser.close()asyncio.get_event_loop().run_until_complete(main())执行结果：
{'width': 1366, 'height': 768, 'deviceScaleFactor': 1}这里我们完成了页面窗口大小的设置、网页截图保存、执行了JavaScript并返回了对应的数据。图片如下：
我们这里是全屏截图，screenshot方法还可以指定保存格式、清晰度、是否全屏、裁剪等。从截图我们可以看到和我们在浏览器中看到的一样，并且在evaluate方法中执行的JavaScript返回了网页的宽高、像素大小比率的值。
今天我们简单介绍Pyppeteer的使用，更加详细的介绍可以在Pyppeteer的官方文档https://miyakogi.github.io/pyppeteer/reference.html中进行查找，不必死记硬背。下一篇我们介绍一些常用的Pyppeteer对象和使用模式。