Playwright实战案例之爬取js加密数据

---

前言

Playwright是一个强大的Python库，仅用一个API即可自动执行Chromium、Firefox、WebKit等主流浏览器自动化操作，并同时支持以无头模式、有头模式运行。 Playwright提供的自动化技术是绿色的、功能强大、可靠且快速，支持Linux、Mac以及Windows操作系统。

---

一、Playwright的安装与使用

1.安装

• 要使用 Playwright，需要 Python 3.7 版本及以上，请确保 Python 的版本符合要求。

安装 Playwright，命令如下：

# 安装playwright库
pip install playwright

# 安装浏览器驱动文件（安装过程稍微有点慢）
playwright install

2.录制

• 使用Playwright无需写一行代码，我们只需手动操作浏览器，它会录制我们的操作，然后自动生成代码脚本

输入如下命令

# 帮助命令
playwright codegen --help
# 尝试启动一个 Firefox 浏览器，然后将操作结果输出到 script.py 文件
playwright codegen -o script.py -b firefox

二、案例实现

1.思路

1. 通过 playwright 打开浏览器来获取JavaScript渲染后的数据，从而绕过解密 JavaScript 加密的数据，跟 Selenium 一样的，都是模拟人为打开浏览器来获取数据。

2.引入库

代码如下（示例）：

from playwright.sync_api import sync_playwright
from lxml import etree
import pymongo
# pymongo有自带的连接池和自动重连机制，但是仍需要捕捉AutoReconnect异常并重新发起请求。
from pymongo.errors import AutoReconnect
from retry import retry
# logging 用来输出信息
import logging

import time
# 开始时间
start = time.time()
# 日志输出格式
logging.basicConfig(level=logging.INFO,
                    format='%(asctime)s - %(levelname)s: %(message)s')

3.驱动浏览器进行访问

• 通过打开浏览器 访问 https://www.oklink.com/zh-cn/btc/tx-list?limit=100&pageNum=1然后获得网页源码，再将网页源码传入生成器中，便于下次调用

代码如下（示例）：

BTC_URL = 'https://www.oklink.com/zh-cn/btc/tx-list?limit=100&pageNum={pageNum}'

def run(playwright):
    # 驱动浏览器，并开启无头模式
    browser = playwright.chromium.launch(headless=True)
    # 打开窗口
    page = browser.new_page()
    for Num in range(1, 3):
        # 触发 事件
        page.on('response', on_response)
        # 访问URL
        page.goto(BTC_URL.format(pageNum=Num))
        # 调用了 wait_for_load_state 方法等待页面某个状态完成，这里我们传入的 state 是 networkidle，也就是网络空闲状态
        page.wait_for_load_state('networkidle')
        # 生成器
        yield page.content()
        # html = page.content()
        # Get_the_data(page.content())
        # print(html)
    browser.close()

4.触发事件

• on_response 方法是用于判断某一些请求（ /api/explorer/v1/btc/transactionsNoRestrict ）返回的状态是否为 200，如果是 200 ，就可以获取该请求返回的数据，也就是加密后的数据

代码如下（示例）：

def on_response(response):
    try:
        # 筛选请求，并判断状态
        if '/api/explorer/v1/btc/transactionsNoRestrict' in response.url and response.status == 200:
            # 返回json格式数据
            logging.info('get invalid status code %s while scraping %s',
                         response.status, response.url)
            # data_set = response.json().get('data').get('hits')
            # for item in data_set:
            #     Transaction_hashing = item.get('hash')
            #     The_block= item.get('blockHeight')
            #     print(Transaction_hashing)
            #     print(The_block)
            return response.json()
        if '/api/explorer/v1/btc/transactionsNoRestrict' in response.url and response.status != 200:
            # 如果不是200就在日志里打印出响应码和链接
            logging.error('get invalid status code %s while scraping %s',
                          response.status, response.url)
    except Exception as e:
        # exc_info为布尔值，如果该参数的值为True时，则会将异常信息添加到日志消息中；如果没有则会将None添加到日志信息中。
        logging.error('error occurred while scraping %s',
                      response.url, exc_info=True)

5.获得数据

• 在前面我们已经通过 run（）方法来获取到网页源码了，而我们想的数据也已经在网页源码，那就直接用 xpath 来获取数据吧

代码如下（示例）：

def Get_the_data(html):
	# 格式化源码
    selector = etree.HTML(html)
    data_set = selector.xpath(
        '//*[@id="root"]/main/div/div[3]/div/div[2]/section/div/div/div/div/table/tbody/tr')[1:]
    for data in data_set:
        Transaction_hashing = data.xpath('td[1]/div/a/text()')[0]
        The_block = data.xpath('td[2]/a/text()')[0]
        Trading_hours = data.xpath('td[3]/div/span/text()')[0]
        The_input = data.xpath('td[4]/span/text()')[0]
        The_output = data.xpath('td[5]/span/text()')[0]
        quantity = data.xpath('td[6]/span/span/text()')[0]
        premium = data.xpath('td[7]/span/span/text()')[0]
        BTC_data = {
    
    
            '交易哈希': Transaction_hashing,
            '所在区块': The_block,
            '交易时间': Trading_hours,
            '输入': The_input,
            '输出': The_output,
            '数量(BTC)': quantity,
            '手续费(BTC)': premium
        }
        yield BTC_data

6.保存数据到Mongodb

代码如下（示例）：

@retry(AutoReconnect, tries=4, delay=1)
def save_data(data):
    """
    将数据保存到 mongodb
    使用 update_one() 方法第一个参数为查询的条件，第二个参数为要修改的字段。
    upsert：
    是一种特殊的更新，如果没有找到符合条件的更新条件的文档，就会以这个条件和更新文档为基础创建一个新的文档；如果找到了匹配的文档，就正常更新，upsert非常方便，不必预置集合，同一套代码既能用于创建文档又可以更新文档
    """
    # 存在则更新，不存在则新建，
    collection.update_one({
    
    
        # 保证 数据 是唯一的
        '交易哈希': data.get('交易哈希')
    }, {
    
    
        '$set': data
    }, upsert=True)

7.调用方法

代码如下（示例）：

with sync_playwright() as playwright:

    for html in run(playwright):
        for data in Get_the_data(html):
            logging.info('get detail data %s', data)
            logging.info('saving data to mongodb')
            save_data(data)
            logging.info('data saved successfully')
# 结束时间
end = time.time()
print('Cost time: ', end - start)

8.运行代码

---

总结

playwright相比已有的自动化测试工具有很多优势，比如：

• 跨浏览器，支持Chromium、Firefox、WebKit
• 跨操作系统，支持Linux、Mac、Windows
• 可提供录制生成代码功能，解放双手

目前移动端存在的缺点就是生态和文档还不是非常完备。