爬虫神器pyppeteer，对 js 加密降维打击
pyppeteer 是对无头浏览器 puppeteer的 Python 封装。无头浏览器广泛用于自动化测试，同时也是一种很好地爬虫思路。
使用 puppeteer（等其他无头浏览器）的最大优势当然是对 js 加密实行降维打击，完全无视 js 加密手段，对于一些需要登录的应用，也可以模拟点击然后保存 cookie。而很多时候前端的加密是爬虫最难攻克的一部分。当然puppeteer也有劣势，最大的劣势就是相比面向接口爬虫效率很低，就算是无头的chromium，那也会占用相当一部分内存。另外额外维护一个浏览器的启动、关闭也是一种负担。
这篇文章我们来写一个简单的 demo，爬取拼多多搜索页面的数据，最终的效果如下：
我们把所有 api 请求的原始数据保存下来：
示例 json 文件如下：
开发环境
- python3.6+
最好是 python3.7，因为asyncio在 py3.7中加入了很好用的asyncio.run()方法。
- 安装pyppeteer
如果安装有问题请去看官方文档。
python3 -m pip install pyppeteer- 安装 chromium
你懂的，天朝网络环境很复杂，如果要用pyppeteer自己绑定的chromium，半天都下载不下来，所以我们要手动安装，然后在程序里面指定executablePath。
下载地址：www.chromium.org/getting-inv…
hello world
pyppeteer 的 hello world 程序是前往exmaple.com截个图：
import asynciofrom pyppeteer import launchasync def main(): browser = await launch({ # Windows 和 Linux 的目录不一样，情换成自己对应的executable文件地址 'executablePath': '你下载的Chromium.app/Contents/MacOS/Chromium', }) page = await browser.newPage() await page.goto('http://example.com') await page.screenshot({'path': 'example.png'}) await browser.close()asyncio.get_event_loop().run_until_complete(main())pyppeteer 重要接口介绍
pyppeteer.launch
launch 浏览器，可以传入一个字典来配置几个options，比如：
browser = await pyppeteer.launch({ 'headless': False, # 关闭无头模式 'devtools': True, # 打开 chromium 的 devtools 'executablePath': '你下载的Chromium.app/Contents/MacOS/Chromiu', 'args': [ '--disable-extensions', '--hide-scrollbars', '--disable-bundled-ppapi-flash', '--mute-audio', '--no-sandbox', '--disable-setuid-sandbox', '--disable-gpu', ], 'dumpio': True, })其中所有可选的args参数在这里：peter.sh/experiments…
dumpio的作用：把无头浏览器进程的 stderr 核 stdout pip 到主程序，也就是设置为 True 的话，chromium console 的输出就会在主程序中被打印出来。
注入 js 脚本
可以通过page.evaluate形式，例如：
await page.evaluate(""" () =>{ Object.defineProperties(navigator,{ webdriver:{ get: () => false } }) }""")我们会看到这一步非常关键，因为puppeteer出于政策考虑（这个词用的不是很好，就是那个意思）会设置window.navigator.webdriver为true，告诉网站我是一个 webdriver 驱动的浏览器。有些网站比较聪明（反爬措施做得比较好），就会通过这个来判断对方是不是爬虫程序。
这等价于在 devtools 里面输入那一段 js 代码。
还可以加载一个 js 文件：
await page.addScriptTag(path=path_to_your_js_file)通过注入 js 脚本能完成很多很多有用的操作，比如自动下拉页面等。
截获 request 和 response
await page.setRequestInterception(True)page.on('request', intercept_request)page.on('response', intercept_response)intercept_request和intercept_response相当于是注册的两个回调函数，在浏览器发出请求和获取到请求之前指向这两个函数。
比如可以这样禁止获取图片、多媒体资源和发起 websocket 请求：
async def intercept_request(req): """请求过滤""" if req.resourceType in ['image', 'media', 'eventsource', 'websocket']: await req.abort() else: await req.continue_()然后每次获取到请求之后将内容打印出来（这里只打印了fetch和xhr类型response 的内容）：
async def intercept_response(res): resourceType = res.request.resourceType if resourceType in ['xhr', 'fetch']: resp = await res.text() print(resp)大家在学python的时候肯定会遇到很多难题，以及对于新技术的追求，这里推荐一下我们的Python学习扣qun：784758214，这里是python学习者聚集地一共有哪些resourceType，pyppeteer文档里面有：
拼多多搜索爬虫
页面自动下拉
拼多多的搜索界面是一个无限下拉的页面，我们希望能够实现无限下拉页面，并且能够控制程序提前退出，不然一直下拉也不好，我们可能并不需要那么多数据。
js 脚本
async () => { await new Promise((resolve, reject) => { // 允许下滑的最大高度，防止那种可以无限下拉的页面无法结束 const maxScrollHeight = null; // 控制下拉次数 const maxScrollTimes = null; let currentScrollTimes = 0; // 记录上一次scrollHeight，便于判断此次下拉操作有没有成功，从而提前结束下拉 let scrollHeight = 0; // maxTries : 有时候无法下拉可能是网速的原因 let maxTries = 5; let tried = 0; const timer = setInterval(() => { // 下拉失败，提前退出 // BUG : 如果网速慢的话，这一步会成立~ // 所以设置一个 maxTried 变量 if (document.body.scrollHeight === scrollHeight) { tried += 1; if (tried >= maxTries) { console.log("reached the end, now finished!"); clearInterval(timer); resolve(); } } scrollHeight = document.body.scrollHeight; window.scrollTo(0, scrollHeight); window.scrollBy(0, -10); // 判断是否设置了maxScrollTimes if (maxScrollTimes) { if (currentScrollTimes >= maxScrollTimes) { clearInterval(timer); resolve(); } } // 判断是否设置了maxScrollHeight if (maxScrollHeight) { if (scrollHeight >= maxScrollHeight) { if (currentScrollTimes >= maxScrollTimes) { clearInterval(timer); resolve(); } } } currentScrollTimes += 1; // 还原 tried tried = 0; }, 1000); });};这里面有几个重要的参数：
- interval : 下拉间隔时间，以毫秒为单位
- maxScrollHeight : 运行页面下拉最大高度
- maxScrollTimes : 最多下拉多少次（推荐使用，可以更好控制爬取多少数据）
- maxTries : 下拉不成功时最多重试几次，比如有时候会因为网络原因导致没能在 interval ms 内成功下拉
把这些替换成你需要的。同时你可以打开 chrome 的开发者工具运行一下这段 js 脚本。
完整代码
这段代码一共也就只有70多行，比较简陋，情根据自己的实际需求更改。
import osimport timeimport jsonfrom urllib.parse import urlsplitimport asyncioimport pyppeteerfrom scripts import scriptsBASE_DIR = os.path.dirname(__file__)async def intercept_request(req): """请求过滤""" if req.resourceType in ['image', 'media', 'eventsource', 'websocket']: await req.abort() else: await req.continue_()async def intercept_response(res): resourceType = res.request.resourceType if resourceType in ['xhr', 'fetch']: resp = await res.text() url = res.url tokens = urlsplit(url) folder = BASE_DIR + '/' + 'data/' + tokens.netloc + tokens.path + "/" if not os.path.exists(folder): os.makedirs(folder, exist_ok=True) filename = os.path.join(folder, str(int(time.time())) + '.json') with open(filename, 'w', encoding='utf-8') as f: f.write(resp)async def main(): browser = await pyppeteer.launch({ # 'headless': False, # 'devtools': True 'executablePath': '/Users/changjiang/apps/Chromium.app/Contents/MacOS/Chromium', 'args': [ '--disable-extensions', '--hide-scrollbars', '--disable-bundled-ppapi-flash', '--mute-audio', '--no-sandbox', '--disable-setuid-sandbox', '--disable-gpu', ], 'dumpio': True, }) page = await browser.newPage() await page.setRequestInterception(True) page.on('request', intercept_request) page.on('response', intercept_response) await page.setUserAgent('Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 ' '(KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299') await page.setViewport({'width': 1080, 'height': 960}) await page.goto('http://yangkeduo.com') await page.evaluate(""" () =>{ Object.defineProperties(navigator,{ webdriver:{ get: () => false } }) } """) await page.evaluate("你的那一段页面自动下拉 js 脚本") await browser.close()if __name__ == '__main__': asyncio.run(main())