动态ip代理教你:如何用爬虫实现前端页面渲染

  在很早以前,几乎绝大多数网站全全都是利用后端渲染的,即在服务器端组装形成完整的HTML页面,随后再将完整页面返回给前端进行展现。而近期,随着AJAX技术的不断普及,和AngularJS这类SPA框架的广泛应用,前端渲染的页面越来越多。
动态ip代理教你:如何用爬虫实现前端页面渲染

  不知大伙儿有没有听说过,前端渲染相比于后端渲染,是不利于进行SEO的,因为对网络爬虫不友好。究其原因,就是因为前端渲染的页面是需要在浏览器端执行JavaScript代码(即AJAX请求)才能获取后端数据,随后才能拼装成完整的HTML页面。

  针对这类情况,当前也是已经有很多解决方案,最常用的就是借助PhantomJS、puppeteer这类Headless浏览器工具,相当于在网络爬虫中内置1个浏览器内核,对爬取的页面先渲染(执行Javascript脚本),随后再对页面内容进行爬取。

  不过,要使用这类技术,通常全全都是需要使用Javascript来开发网络爬虫工具,对于我这种写惯了Python的人来说的确有些痛苦。

  直到某1天,kennethreitz大神发布了开源项目requests-html,看到项目介绍中的那句FullJavaScriptsupport!时不禁热泪盈眶,就是它了!该项目在GitHub上发布后不到三天,star数就达到5000以上,足见其影响力。

  requests-html为啥会这么火?

  写过Python的人,几乎全都会使用requests这么1个HTTP库,说它是最好的HTTP库1点也是不夸张(不限编程语言),对于其介绍语HTTPRequestsforHumans也是当之无愧。也是是因为这个原因,Locust和HttpRunner全全都是基于requests来进行开发的。

  而requests-html,则是kennethreitz在requests的基础上开发的另1个开源项目,除了可以复用requests的全部功能外,还实现了对HTML页面的解析,即支持对Javascript的执行,和利用CSS和XPath对HTML页面元素进行提取的功能,这些全全都是编写网络爬虫工具非常需要的功能。

  在实现Javascript执行方面,requests-html也是并没有自己造轮子,而是借助了pyppeteer这个开源项目。还记得前面提到的puppeteer项目么,这是GoogleChrome官方实现的NodeAPI;而pyppeteer这个项目,则相当于是使用Python语言对puppeteer的非官方实现,几乎具有puppeteer的所有功能。

  理清了以上关系后,相信大伙儿对requests-html也是就有了更好的理解。

  在使用方面,requests-html也是十分简单,用法与requests几乎相同,只是多了render功能。

动态ip代理教你:如何用爬虫实现前端页面渲染

  在执行render()之后,返回的就是经过渲染后的页面内容。

猜你喜欢

转载自blog.51cto.com/14059916/2343284