记录一下在使用pyppeteer过程中慢慢发现的一些稍微高级一点的用法。
一、拦截器简单用法
拦截器作用于单个Page,即浏览器中的一个标签页。每初始化一个Page都要添加一下拦截器。拦截器实际上是
通过给各种事件添加回调函数来实现的。
事件列表可参见:pyppeteer.page.Page.Events
常用拦截器:
-
- request:发出网络请求时触发
- response:收到网络响应时触发
- dialog:页面有弹窗时触发
使用request拦截器修改请求:
# coding:utf8 import asyncio from pyppeteer import launch from pyppeteer.network_manager import Request launch_args = { "headless": False, "args": [ "--start-maximized", "--no-sandbox", "--disable-infobars", "--ignore-certificate-errors", "--log-level=3", "--enable-extensions", "--window-size=1920,1080", "--user-agent=Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36", ], } async def modify_url(request: Request): if request.url == "https://www.baidu.com/": await request.continue_({"url": "https://www.baidu.com/s?wd=ip&ie=utf-8"}) else: await request.continue_() async def interception_test(): # 启动浏览器 browser = await launch(**launch_args) # 新建标签页 page = await browser.newPage() # 设置页面打开超时时间 page.setDefaultNavigationTimeout(10 * 1000) # 设置窗口大小 await page.setViewport({"width": 1920, "height": 1040}) # 启用拦截器 await page.setRequestInterception(True) # 设置拦截器 # 1. 修改请求的url if 1: page.on("request", modify_url) await page.goto("https://www.baidu.com") await asyncio.sleep(10) # 关闭浏览器 await page.close() await browser.close() return if __name__ == "__main__": loop = asyncio.get_event_loop() loop.run_until_complete(interception_test())
使用response拦截器获取某个请求的响应:
async def get_content(response: Response): """ # 注意这里不需要设置 page.setRequestInterception(True) page.on("response", get_content) :param response: :return: """ if response.url == "https://www.baidu.com/": content = await response.text() title = re.search(b"<title>(.*?)</title>", content) print(title.group(1))
干掉页面所有弹窗:
async def handle_dialog(dialog: Dialog): """ page.on("dialog", get_content) :param dialog: :return: """ await dialog.dismiss()
二、拦截器实现切换代理
一般情况下浏览器添加代理的方法为设置启动参数:
--proxy-server=http://user:password@ip:port
例如:
launch_args = { "headless": False, "args": [ "--proxy-server=http://localhost:1080", "--user-agent=Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36", ], }
但此种方式的缺点很明显,只能在浏览器启动时设置。当需要切换代理时,只能重启浏览器,这个代价
就太高了,所以我们可以想想其他办法。
思路很简单:
- request拦截器可以修改请求属性并且返回自定义响应内容
- 使用第三方库来发送网络请求,并设置代理。然后封装响应内容返回给浏览器
上代码:
import aiohttp aiohttp_session = aiohttp.ClientSession(loop=asyncio.get_event_loop()) proxy = "http://127.0.0.1:1080" async def use_proxy_base(request: Request): """ # 启用拦截器 await page.setRequestInterception(True) page.on("request", use_proxy_base) :param request: :return: """ # 构造请求并添加代理 req = { "headers": request.headers, "data": request.postData, "proxy": proxy, # 使用全局变量 则可随意切换 "timeout": 5, "ssl": False, } try: # 使用第三方库获取响应 async with aiohttp_session.request( method=request.method, url=request.url, **req ) as response: body = await response.read() except Exception as e: await request.abort() return # 数据返回给浏览器 resp = {"body": body, "headers": response.headers, "status": response.status} await request.respond(resp) return
或者再增加一些缓存来节约一下带宽:
# 静态资源缓存 static_cache = {} async def use_proxy_and_cache(request: Request): """ # 启用拦截器 await page.setRequestInterception(True) page.on("request", use_proxy_base) :param request: :return: """ global static_cache if request.url not in static_cache: # 构造请求并添加代理 req = { "headers": request.headers, "data": request.postData, "proxy": proxy, # 使用全局变量 则可随意切换 "timeout": 5, "ssl": False, } try: # 使用第三方库获取响应 async with aiohttp_session.request( method=request.method, url=request.url, **req ) as response: body = await response.read() except Exception as e: await request.abort() return # 数据返回给浏览器 resp = {"body": body, "headers": response.headers, "status": response.status} # 判断数据类型 如果是静态文件则缓存起来 content_type = response.headers.get("Content-Type") if content_type and ("javascript" in content_type or "/css" in content_type): static_cache[request.url] = resp else: resp = static_cache[request.url] await request.respond(resp) return
三、反反爬虫
使用pyppeteer来模拟浏览器进行爬虫行动,我们的本意是伪装自己,让目标网站认为我是一个真实的人,然而
总有一些很蛋疼的东西会暴露自己。比如当你使用我上面的配置去模拟淘宝登录的时候,会发现怎么都登录不上。因
为浏览器的navigator.webdriver属性暴露了你的身份。在正常浏览器中,这个属性是没有的。但是当你使用pyppeteer
或者selenium时,默认情况下这个参数就会设置为true。
去除这个属性有两种方式。
先说简单的,pyppeteer的启动参数中,默认会增加一个:–enable-automation
去掉方式如下: 在导入launch之前先把默认参数改了
from pyppeteer import launcher # hook 禁用 防止监测webdriver launcher.AUTOMATION_ARGS.remove("--enable-automation") from pyppeteer import launch
还有个稍微复杂点的方式,就是利用拦截器来实现注入JS代码。
JS代码参见:
https://github.com/dytttf/little_spider/blob/master/pyppeteer/pass_webdriver.js
拦截器代码:
async def pass_webdriver(request: Request): """ # 启用拦截器 await page.setRequestInterception(True) page.on("request", use_proxy_base) :param request: :return: """ # 构造请求并添加代理 req = { "headers": request.headers, "data": request.postData, "proxy": proxy, # 使用全局变量 则可随意切换 "timeout": 5, "ssl": False, } try: # 使用第三方库获取响应 async with aiohttp_session.request( method=request.method, url=request.url, **req ) as response: body = await response.read() except Exception as e: await request.abort() return if request.url == "https://www.baidu.com/": with open("pass_webdriver.js") as f: js = f.read() # 在html源码头部添加js代码 修改navigator属性 body = body.replace(b"<title>", b"<script>%s</script><title>" % js.encode()) # 数据返回给浏览器 resp = {"body": body, "headers": response.headers, "status": response.status} await request.respond(resp) return
这个功能pyppeteer是有专门的函数来做这件事情的:
pyppeteer.page.Page.evaluateOnNewDocument
BUT,这个函数实现的有问题,总是不起作用 。而与之对比,如果你用的是nodejs的puppeteer的话,这个函数
是生效的。
四、使用Xvfb配合实现headless效果
之所以用pyppeteer,很大程度上是为了使用chromium的无头headless模式。无头更省资源,限制也少。然而现
实很残酷,特别是对爬虫。
类似于navigator.webdriver这样的东西可以用来检测是否是机器人。还有更多的手段可以来检测是否是headless。
比如:headless模式下没有window.chrome属性。具体我就不列了,反正好多。可以参见文后链接。关于如何伪装
headless模式,使其不被探测到,网上资料也有很多,也很有用。但是,这个东西细节太多了。。。。。。还得看目
标网站工程师的心情和实力。如果对方有大把时间去检测各种边边角角的东西,不断提升代码的混淆程度,死磕到底
的话,就有点得不偿失了。
于是,我在死磕了携程酒店三天后,幡然醒悟。(有兴趣的可以尝试一下,看如何在无头模式下爬取携程酒店数据)
既然无头这么难搞,就不搞了。直接使用Xvfb来实现虚拟显示器,这样就变成有头的了:)。
问题解决。
文内Python代码见:
https://github.com/dytttf/little_spider/blob/master/pyppeteer/use_case.py
参考文献:
无头浏览器相关
MAKING CHROME HEADLESS UNDETECTABLE
Detecting Chrome headless, new techniques
Xvfb
https://www.x.org/releases/X11R7.6/doc/man/man1/Xvfb.1.xhtml