pyppeteer 的基本使用

前言

前段时间因为有任务，需要四个电商(京东、淘宝、天猫、拼多多)的数据。而其中京东的没什么反爬，基本是随便抓。拼多多的加密参数有点复杂，而且变化也挺频繁的，用的是 selenium，也没什么可提的。抓淘宝和天猫因为用 selenium 滑块过不了，于是就改成了 pyppeteer。现在我说一下使用的心得。有些细节因为当时没有记录，现在也记不起来了。

首先 pip install pyppeteer , 这时候我们先看一下 websockets 这个库的版本，因为必须保证这个库是 7.0 的版本。8.0 和 6.0 虽然可以使用，但是在访问多个网页会出现一些无法解决的异常。现在安装 pyppeteer，websockets 的版本默认是 8.0，我们需要先 pip uninstall websockets 卸载 8.0，然后 pip install websockets==7.0。然后我们按照 https://github.com/miyakogi/pyppeteer/pull/160/files 这个网页修改 pyppeteer 的源码(如果是 anaconda，则路径是 anaconda 安装路径\Lib\site-packages\pyppeteer\connection.py 这个文件)。这样准备工作就完成了，这样操作之后就可以避免很多异常。

需要这么费劲的折腾，是因为 pyppeteer 这个库已经很久没有做大的更新了，虽然有点小的改动，但是基本的 bug 还是没有解决。所以如果有 js 基础，最好还是使用 JavaScript 的 puppeteer 这个工具，这个是谷歌出品的，一直在更新维护，基本没有 bug。

补充：有时候会出现明明网页加载完成了，但是还是会出现超时的情况。不知道是什么 bug，解决方法也很简单，只要捕获这个异常，然后该做啥做啥。

以下有的方法前面带 coroutine 这个关键字，有点没有，这是因为带这个参数的方法都是异步方法，这种方法必须被 async 关键字修饰，调用的时候也必须 await 关键字修饰。不过我们既然使用浏览器爬虫了，肯定已经不在乎效率了，异步等于在等网站封，所以只需要遵守某些规则即可(不懂的请百度 asyncio 的使用)，实际上还是同步运行。另外，虽然 page.on（）这个方法是存在的，但是官方文档中并未给出详细的说明，甚至我查看 pyppeteer 的源码也未找到这个函数，不知道是怎么回事。但是参考 puppeteer 的文档也是可以用的，不过报错居多，我也就没有深究了。

API 参考

启动器

1. pyppeteer.launcher.launch()
   启动 chrome 进程并返回浏览器实例

参数：

• ignoreHTTPSErrors（bool）：是否忽略 HTTPS 错误。默认为 False
• headless（bool）：是否在无头模式下运行浏览器。默认为 True 除非 appMode 或 devtools 选项 True
• executablePath （str）：运行 Chromium 或 Chrome 可执行文件的路径，而不是默认捆绑的 Chromium
• slowMo （int | float）：按指定的毫秒数减慢 pyppeteer 操作。
• args （List [str]）：传递给浏览器进程的附加参数（标志）。
• dumpio（bool）：是否管道浏览器进程 stdout 和 stderr 进入 process.stdout 和 process.stderr。默认为 False。
• userDataDir （str）：用户数据目录的路径。
• env（dict）：指定浏览器可见的环境变量。默认与 python 进程相同。
• devtools（bool）：是否为每个选项卡自动打开 DevTools 面板。如果是此选项 True，headless 则将设置该选项 False。
• logLevel（int | str）：用于打印日志的日志级别。默认值与根记录器相同。
• autoClose（bool）：脚本完成时自动关闭浏览器进程。默认为 True。
• loop（asyncio.AbstractEventLoop）：事件循环（实验）。

• ignoreHTTPSErrors：意思很明显，不解释
• headless：不解释
• executablePath：这个一般是默认的路径就行
• slowMo：我一般会加这个参数，至于效果吗，好像有点。
• args：常用的有['--no-sandbox','--disable-gpu', '--disable-setuid-sandbox','--window-size=1440x900']
• dumpio: 不知道为什么，如果不加 dumpio=True 有时会出现浏览器卡顿
• userDataDir：selenium 的 userdata 可以保留 cookie，下次启动可以达到免登录，而这个参数没什么用
• env：看需求
• devtools：用的不深，没用过
• logLevel：没什么用，在 Linux 下还是打印大量的日志
• autoClose：默认就好，不过如果你需要保持浏览器状态，可以不关闭，下次直接连接这个已存在的浏览器
• loop：暂时不知道有什么用

2. pyppeteer.launcher.connect()
   连接到现有的 chrome

参数：

• browserWSEndpoint（str）：要连接的浏览器 websocket 端点。（必填）
• ignoreHTTPSErrors（bool）：是否忽略 HTTPS 错误。默认为 False。
• slowMo （int | float）：按指定的毫秒数减慢 pyppeteer 的速度。
• logLevel（int | str）：用于打印日志的日志级别。默认值与根记录器相同。
• loop（asyncio.AbstractEventLoop）：事件循环（实验）。

browserWSEndpoint：格式是 ws://${host}:${port}/devtools/browser/<id>。以前浏览器的 wsEndpoint 这个值，可以通过 brower = pyppeteer.launcher.launch() dev = brower. wsEndpoint 保存这个值就可以下次启动了

3. pyppeteer.launcher.executablePath()
   获取默认 chrome 的可执行路径

浏览器类

pyppeteer.browser.Browser()
这个类是由 launch()返回的实例

• browserContexts： 返回所有打开的浏览器上下文的列表，在新创建的浏览器中，这将返回单个实例
• coroutine close()： 关闭连接并终止浏览器进程
• coroutine createIncognitoBrowserContext(): 创建一个新的隐身浏览器上下文。这不会与其他浏览器上下文共享 cookie /缓存
• coroutine disconnect(): 断开浏览器
• coroutine newPage(): 在此浏览器上创建新页面并返回其对象
• coroutine pages(): 获取此浏览器的所有页面。返回格式为列表，包含所有页面
• process：返回此浏览器的进程
• target(): 获取浏览器中所有活动目标的列表
• coroutine userAgent()：返回浏览器的原始 UA
• coroutine version(): 获取浏览器的版本
• wsEndpoint: 返回 websocket 端点 url

页面类

pyppeteer.page.Page()
由 brower.newPage()或者 brower.pages()得到

• coroutine J()：别名 querySelector(),看名字就知道通过 css 选择器来选出元素

• coroutine JJ(): 别名 querySelectorAll()

• coroutine Jeval(): 功能比 page.J()功能多一点，可以选出网页文本或者属性指

• coroutine JJeval(): querySelectorAllEval()

• coroutine Jx(): 别名 xpath()

• coroutine addScriptTag(): 将脚本标记添加到此页面, 返回 ElementHandle
  其中一个 url，path 或 content 选择是必要的。

  • url （字符串）：要添加的脚本的 URL。
  • path （字符串）：要添加的本地 JavaScript 文件的路径。
  • content （字符串）：要添加的 JavaScript 字符串。
  • type（字符串）：脚本类型。使用 module 以加载一个 JavaScript ES6 模块。

• coroutine addStyleTag(): 将样式或链接标记添加到此页面, 返回 ElementHandle
  其中一个 url，path 或 content 选择是必要的。

  • url （字符串）：要添加的链接标记的 URL。
  • path （字符串）：要添加的本地 CSS 文件的路径。
  • content （字符串）：要添加的 CSS 字符串。

• coroutine authenticate(): 提供 http 身份验证的凭据

• coroutine bringToFront(): 将页面置于前面

• browser: 获取该页面所属的浏览器

• coroutine click(): 相当于鼠标左键单击匹配的元素,参数是 css 选择器的字符串。如果没有匹配到元素，则会引发 PageError
  可选参数：

  • button（str）： ，left，right 或 middle，默认为 left。
  • clickCount （int）：默认为 1。
  • delay（int | float）：等待时间 mousedown 和 mouseup 以毫秒为单位的时间。默认为 0。

注意
如果此方法触发导航事件并且存在单独的事件，则 waitForNavigation()最终可能会出现产生意外结果的竞争条件。单击并等待导航的正确模式如下：

```
await asyncio.gather(

    page.waitForNavigation(waitOptions),

    page.click(selector, clickOptions),

)
```

大概意思是 click()触发如果会跳转网页，则需要 page.waitForNavigation()这个函数来等待。但点击事件和触发事件是同时的，所以需要将这两个事件绑定，代码如上。

• coroutine close(): 关闭此页面

• coroutine content(): 获取页面的完整 HTML 内容

• coroutine cookies(): 获取 cookie。参数为 URL，如果未指定 URL，则此方法返回当前页面 URL 的 cookie。如果指定了 URL，则仅返回这些 URL 的 cookie

• coverage： 返回 coverage

• coroutine deleteCookie(): 删除 cookie，参数为 cookie 字段参数，比如 name、url、domain、path 等

• coroutine emulate(): 模拟给定的设备指标和用户代理。相当于同时设置了 setUserAgent()、setViewport()

• coroutine emulateMedia(): 模拟页面的 css 媒体类型。参数为：screen、print、None。

• coroutine evaluate(): 在浏览器上执行 js 并获取结果

• coroutine evaluateHandle(): 同上，只是会返回一个值。至于是什么，没用过

• coroutine evaluateOnNewDocument(): 也是执行 js，至于区别。好像是在页面跳转时执行

• coroutine exposeFunction(): 将 python 函数添加到浏览器的 window 对象中 name。不知道有什么用

• coroutine focus(): 聚焦匹配的元素。如果不存在，抛出 PageError

• frames：获取此页面的所有 frame

• coroutine goBack()：返回上一个网页。如果不存在，则返回 None

• coroutine goForward(): 跳转到下一页。如果不存在，则返回 None

• coroutine goto(): 访问某个 URL。
  参数：

  • url：。。。
  • timeout：。。。
  • waitUntil：什么情况下算成功访问。没看懂参数的几个值有什么用

• coroutine hover(): 鼠标悬停匹配的元素

• isClosed(): 判断页面是否关闭

• keyboard： 获取 keyboard 对象

• mainFrame： 获取 frame 页面的主要内容

• coroutine metrics(): 好像是获取页面中的信息

• mouse： 获取 mouse 对象

• coroutine reload(): 刷新网页

• coroutine screenshot(): 截图
  参数：

  • path（str）：保存图像的文件路径。屏幕截图类型将从文件扩展名中推断出来。
  • type（str）：指定屏幕截图类型，可以是 jpeg 或 png。默认为 png。
  • quality（int）：图像的质量，在 0-100 之间。不适用于 png 图像。
  • fullPage（bool）：如果为 true，请截取完整的可滚动页面。默认为 False。
  • clip（字典）：指定页面剪切区域的对象。此选项应包含以下字段：
    • x （int）：剪辑区域左上角的 x 坐标。
    • y （int）：剪辑区域左上角的 y 坐标。
    • width （int）：剪切区域的宽度。
    • height （int）：剪切区域的高度。
  • omitBackground （bool）：隐藏默认的白色背景并允许捕获具有透明度的屏幕截图。
  • encoding（str）：图像的编码可以是 'base64' 或 'binary'。默认为 'binary'。

• coroutine select(): 选择选项并返回所选值。如果未找到元素，抛出 ElementHandleError。

• coroutine setCacheEnabled(): 为每个请求启用/禁用缓存。默认启用

• coroutine setContent(): 将 html 加到网页

• coroutine setCookie(): 设置 cookie

• setDefaultNavigationTimeout(): 更改默认的最大导航超时。默认 30 秒

• coroutine setJavaScriptEnabled(): 设置 JavaScript 启用/禁用

• coroutine setExtraHTTPHeaders(): 设置默认 headers 头，值为一个字典

• coroutine setRequestInterception(): 启用/禁用请求拦截。配合 page.on()

• coroutine setUserAgent(): 设置要在此页面中使用的 UA

• coroutine setViewport(): 设置窗口大小。
  参数：

  • width （int）：以像素为单位的页面宽度。
  • height （int）：以像素为单位的页面高度。
  • deviceScaleFactor （float）：默认为 1.0。
  • isMobile（bool）：默认为 False。
  • hasTouch（bool）：默认为 False。
  • isLandscape（bool）：默认为 False。

• coroutine tap(): 点击与之匹配的元素

• coroutine title(): 获取页面标签

• tracing：获取 tracing 对象

• coroutine type(): 往输入框中输入内容，第一个参数为 css 选择器，第二个为文本内容

• url：获取此页面的 url

• waitFor(): 等待页面上匹配的函数，超时或元素。参数可以是 int 或者 float，单位毫秒。也可以是 css 选择器

• waitForFunction():

• coroutine waitForNavigation(): 等到网页跳转

• coroutine waitForRequest(): 等待请求

• coroutine waitForResponse(): 等待回应

• waitForSelector(): 等到页面上出现匹配的元素。其实 waitFor()也有同样功能。

• waitForFunction(): 等到函数完成并返回一个值

• coroutine waitForXPath(): 等到 xpath 页面上出现匹配的元素

• workers: 获取页面的所有 worker。至于是什么，我不知道

• coroutine xpath(): ..

worker 类

page.on('workercreated', 函数) 这个函数传入的参数就是 worker 类

• coroutine evaluate(): 同上
• coroutine evaluateHandle():同上
• coroutine executionContext():同上
• url: 同上

键盘类

• coroutine down(): 如果没有参数，则是按下鼠标左键。如果是键盘的某个值比如 shift、A 等键，则是相当于按下这些键。
• coroutine press(): 同 down()，但是上面是不会释放鼠标或者键盘，需要调用 up 方法释放鼠标。
• coroutine sendCharacter：将字符发送到页面。没用过
• coroutine type(): 同上
• coroutine up(): 释放由 down 按下的键或者鼠标

鼠标类

• coroutine click(): 按下(x, y)处的按钮
  参数：

  • button（STR）： ，left（左键）、right（右键）或 middle（中键），默认为 left。
  • clickCount （int）：默认为 1。
  • delay（int | float）：等待时间 mousedown 和 mouseup 以毫秒为单位的时间。默认为 0。

• coroutine down(): 同上

• coroutine move(): 移动鼠标光标。

• coroutine up()： 同上

tracing 类

创建可在 Chrome DevTools 或时间线查看器打开的跟踪文件 ，使用如下

await page.tracing.start({'path': 'trace.json'})

await page.goto('https://www.google.com')

await page.tracing.stop()

• coroutine start(): 开始跟踪
• coroutine stop(): 停止跟踪

不好用，可能是我不知道用

Dialog 类

page.on( 'dialog', 函数)，函数的参数就是这个类

• coroutine accept(): 接受对话框
• defaultValue： 如果对话框提示，则获取默认提示值
• coroutine dismiss(): 关闭对话框
• message: 获取对话框消息
• type： 获取对话框类型。类型有：alert，beforeunload，confirm，或 prompt

frame 类

• coroutine J():同上
• coroutine JJ():同上
• coroutine JJeval(): 同上
• coroutine Jeval(): 同上
• coroutine Jx(): 同上
• coroutine addScriptTag(): 同上
• coroutine addStyleTag(): 同上
• childFrames: 获取子框架
• coroutine click(): 同上
• coroutine content(): 同上
• coroutine evaluate(): 同上
• coroutine evaluateHandle(): 同上
• coroutine executionContext(): 同上
• coroutine focus(): 同上
• coroutine hover(): 同上
• isDetached()： 如果此框架已分离，则返回 True
• name：获取 frame 的名称，如果没有则返回 ID
• parentFrame：获取父框架
  后面这些属性和 page 类一模一样

ElementHandle 类

• coroutine J()
• coroutine JJ()
• coroutine JJeval()
• coroutine Jeval()
• asElement
• coroutine boundingBox(): 返回此元素的边界框,如果元素不可见，则返回 None
• coroutine boxModel():返回元素框
• coroutine click()
• coroutine contentFrame(): 返回元素句柄的 frame
• coroutine focus()
• coroutine hover()
• coroutine isIntersectingViewport(): 如果元素在视口中可见，则返回 True
• coroutine press()
• coroutine screenshot()
• coroutine tap()
• coroutine type()
• coroutine uploadFile(): 上传文件

request 类

page.on('request', 函数) 这个函数传入的参数就是 request 类

• coroutine abort(): 中断请求
• coroutine continue_(): 使用可选的请求覆盖继续请求
  参数：
  • url （str）：如果设置，请求 URL 将被更改。
  • method（str）：如果设置，则更改请求方法（例如 GET）。
  • postData （str）：如果设置，则更改发布数据或请求。
  • headers （dict）：如果设置，则更改请求 HTTP 标头
• failure(): 返回错误文本
• frame : 返回匹配的 frame 对象
• headers: 返回此请求的 HTTP 标头字典
• isNavigationRequest(): ？？
• method：返回此请求的方法
• postData： 返回此请求的帖子正文
• redirectChain： request 类重定向的所有请求
• resourceType：渲染引擎感知的此请求的资源类型
• coroutine respond(): 通过给定的参数修改请求
  参数：
  • status （int）：响应状态代码，默认为 200。
  • headers （dict）：可选的响应头。
  • contentType（str）：如果设置，则等于设置 Content-Type 响应头。
  • body （str | bytes）：可选的响应主体。
• response(): 返回匹配的 response 对象
• url： 此请求的 URL

response 类

• buffer(): 返回相应的字节内容
• fromCache： 如果响应是从缓存提供的，则返回 True。缓存可能是浏览器的磁盘缓存或者内存，而不是服务器响应的
• fromServiceWorker： 如果响应由服务器提供，则返回 True
• headers： 返回此响应的 HTTP 标头字典
• coroutine json(): 获取响应正文的 JSON
• ok： 返回 bool 此请求是否成功
• request： 获取匹配的 request 对象
• securityDetails： 返回与此响应关联的安全详细信息
• status： 响应的状态代码
• coroutine text(): 获取响应正文的文本
• url : 响应的 URL

target 类

我到现在还没明白这是干什么的

• browser： 获取目标所属的浏览器
• browserContext： 返回目标所属的浏览器上下文
• coroutine createCDPSession(): 创建附加到目标的 Chrome Devtools 协议会话
• opener: 获取打开此目标的目标
• coroutine page(): 获取此目标的页面
• type: 获取此目标的类型
• url: 获取此目标的网址

CDPSession 类

• coroutine detach(): 从目标分离会话
• send() :

Debugging

对于调试，您可以设置 for 和 功能 logLevel 选项。但是，此选项会打印太多日志，包括 pyppeteer 的 SEND / RECV 消息。为了只显示被抑制的错误消息，您应该设置 logging.DEBUG 为 True

import asyncio
import pyppeteer
from pyppeteer import launch

pyppeteer.DEBUG = True  # print suppressed errors as error log

async def main():

    browser = await launch()

    ...  # do something

asyncio.get_event_loop().run_until_complete(main())