推荐学习书目 Learn Python the Hard Way Python Sites PyPI - Python Package Index http://diveintopython.org/toc/index.html Pocoo 值得关注的项目 PyPy Celery Jinja2 Read the Docs gevent pyenv virtualenv Stackless Python Beautiful Soup 结巴中文分词 Green Unicorn Sentry Shovel Pyflakes pytest Python 编程 pep8 Checker Styles PEP 8 Google Python Style Guide Code Style from The Hitchhiker's Guide
[爬虫]请教各位高手，除了 Seleium 的方法，还有什么现成轮子方法可以获得渲染后的网页代码？
qazwsxkevin 2019-07-25 00:35:06 +08:00 5774 次点击这是一个创建于 2273 天前的主题，其中的信息可能已经有所发展或是发生改变。
在学习和使用的过程中，我是使用 Seleium+chromedriver 去 driver.page_source 获得渲染后的 html 代码，不知道为什么，用 chromedriver 去 get 网页，webdriver 通常一个页面需要 1~2 分钟才能结束进程得到 html 代码，一两个页面没什么问题，现在批量，就很花时间（这个现象好像也不少人跟我一样的情况，我换电脑，换 chromedriver 版本，甚至换个城市换个运营商都是这样，笑~）
回到问题本身，我其实就是需要找其它什么轮子，可以去获取一个渲染后的页面 html ？（渲染就是鼠标把网页从顶部滚到底部，js 执行完了，网页就渲染好了，不需要其它什么操作）
#使用 Chrome 获取网页代码成 Str def GetChromeLinkSourcetoStr(link): optiOns= webdriver.ChromeOptions() options.add_argument('--headless') options.add_argument('--disable-gpu') options.add_argument('--no-sandbox') options.add_argument('blink-settings=imagesEnabled=false') driver = webdriver.Chrome(optiOns=options) wait = WebDriverWait(driver, 10) driver.maximize_window() driver.get(link) tmpStr = driver.page_source return tmpStr  | 1 sivacohan PRO 加上这个试试。 options.add_argument('--no-proxy-server') |
 | 2 yh7gdiaYW 2019-07-25 01:05:20 +08:00 Puppeteer |
 | 3 Rorshach 2019-07-25 01:31:37 +08:00 可以用 splash，这个是异步的，比 selenium 快吧，还可以试试 Phantom JS 这种无界面浏览器 不过如果每个页面要 1~2 分钟才能得到代码，应该不是框架的问题吧…… |
 | 4 shuangyeying 2019-07-25 07:27:40 +08:00 via Android 你去看看要爬的网页有没有引用墙外的资源，如果有的话，可能这就是加载慢的原因了。另外可以装上广告屏蔽插件再试试。 |
 | 5 Leigg 2019-07-25 07:51:29 +08:00 via Android 可以改浏览器参数，只是你不会。 get 方法默认是阻塞到浏览器加载完才向下执行，如果加载失败这个窗口也用不了。但是有可能浏览器已经加载出想要的内容，还是没停下，这时候想要操作浏览器就必须改个参数。晚点发上来 |
 | 6 nullboy 2019-07-25 08:05:13 +08:00 Puppeteer。但是真心不会写 node，现在是大部分工作是 python+selenium 实现的，部分限制 selenium 的功能用 puppeteer |
 | 7 lzxz1234 2019-07-25 08:46:31 +08:00 如果是 python 可以考虑下 pyspider |
 | 9 Jaho 2019-07-25 08:51:29 +08:00 |
 | 10 sep1025 2019-07-25 08:56:06 +08:00 requests-html，集成 pyppeteer |
 | 11 foxyier 2019-07-25 09:18:18 +08:00 selenium,设置不加载图片之类的东西，应该很快的 |
 | 12 momocraft 2019-07-25 09:22:33 +08:00 selenium 是不是停好久了 puppeteer 挺香的 |
 | 13 ClericPy 2019-07-25 09:34:47 +08:00 有 selenium 写爬虫从始至终都是很傻的行为吧, phantomjs 作者放弃开发了, selenium 还活着 楼主直接用 chrome 远程调试那个 cdp 协议吧, chrome devtools protocol 简单的用 http/socket 请求就可以操作 chrome, 用 js 实现不断翻页, 用 cdp 里的 Network 截取流量判断是否最后一页 你不给个例子, 也不好给你看看示例代码 |
 | 14 kidlfy 2019-07-25 09:38:22 +08:00 还是 puppeteer 吧 是 chrome 团队维护的靠谱点 |
 | 15 tohearts 2019-07-25 09:48:31 +08:00 我使用的是 splash， 异步配异步 |
 | 16 fank99 2019-07-25 10:05:30 +08:00 splash |
| 17 momocraft 2019-07-25 10:35:34 +08:00 如果你实在不想写 node，找人写个 puppeteer 打开网页返回 html 的服务也没几行 不过里面出错你无法 debug |
 | 18 shawndev 2019-07-25 10:37:05 +08:00 puppeteer |
 | 19 Vegetable 2019-07-25 11:00:35 +08:00 你先浏览器正常加载一下看看多久能加载完好吗 |
| 20 Leigg 2019-07-25 14:54:35 +08:00 via Android @Leigg from selenium.webdriver.common.desired_capabilities import DesiredCapabilities desired_capabilities = DesiredCapabilities.CHROME # 修改页面加载策略 # none 表示将 br.get 方法改为非阻塞模式，在页面加载过程中也可以给 br 发送指令，如获取 url，pagesource 等资源。 desired_capabilities["pageLoadStrategy"] = "none" driver = webdriver.Chrome(chrome_optiOns=chrome_options, executable_path=chrome_driver_path, desired_capabilities=desired_capabilities) 拿去吧。 |
 | 21 Threeinchtime 2019-07-25 15:42:48 +08:00 个人用 splash，感觉不好用，看了楼上现在马上去试试 pyppeteer |
 | 23 wersonliu9527 2019-07-25 20:16:17 +08:00 不是很多加载都是 xhr 请求来的么 0.0 |
 | 24 greatbody 2019-07-25 22:25:52 +08:00 |
 | 25 alienlu19870911 2019-07-25 23:11:57 +08:00 请教一下大家，pyppeteer 怎么在多线程下调用，想用这个替代 selenium，但在多线程下调用总是会报错，错误是需要运行在主线程。 |
 | 26 shuang 2019-07-26 08:57:56 +08:00 Puppeteer+1 有个需求要对网页的某个区域生成缩略图就是用 Puppeteer 实现的，时间大概在 700ms 至 3000ms 之间 不知道是不是服务器性能差异的问题，感觉 windows 比 linux 速度要快一些 |
 | 27 KuroNekoFan 2019-07-26 11:23:58 +08:00 headless browser 都行吧，甚至 jsdom 都行 |
 | 28 wongyusing 2019-07-26 13:57:00 +08:00 为什么不分析网页的构造形式呢？？ 鼠标下拉也只是在请求不同也页面。 一般下拉也就是两种情况， 请求 json 数据，通过在 css 或 js 的模板进行渲染。 请求一小段 html 格式，通过元素选择器添加到网页中。 Seleium 这样的轮子讲真，真的很慢。 不过用来实现登陆生成 cookie 池还是比较好的 |
 | 29 bantianys 2019-08-24 21:38:39 +08:00 之前也遇到这样的问题。无头模式时快时慢，好像是和 wait 的里面的一个参数有关系，似乎是轮询元素是否存在的频率？既不大清楚了。 |
Select Language