[原创]手把手教你写网络爬虫（5）：PhantomJS实战

 

手把手教你写网络爬虫（5）

做者：拓海 (https://github.com/tuohai666)

摘要：从零开始写爬虫，初学者的速成指南！

封面：

 

你们好！从今天开始，我要与你们一块儿打造一个属于咱们本身的分布式爬虫平台，同时也会对涉及到的技术进行详细介绍。你们若是有什么好的想法请多留言，多提意见，一块儿来完善咱们的爬虫平台。在正式介绍平台以前，先用一些篇幅对基础篇作一点补充。

 

模拟滚动

此次的目标是爬一个众筹网站的全部项目，项目列表页以下：https://www.kaistart.com/project/more.html。打开后进行分析，页面显示出10个项目：

 

若是想看到更多项目，并不能像网易云音乐那样点“下一页”翻页，而是须要向下拉滚动条或者向下滚动鼠标滚轮来触发异步请求。爬虫该如何应对这种状况呢？咱们可使用selenium的api执行js代码将屏幕内容滚动到指定位置。

 

下面这段代码会一直向下滚动项目页，一直到滚不动为止：

# 一直滚动到最底部
js1 = 'return document.body.scrollHeight'
js2 = 'window.scrollTo(0, document.body.scrollHeight)'
old_scroll_height = 0
while browser.execute_script(js1) >= old_scroll_height:
    old_scroll_height = browser.execute_script(js1)
    browser.execute_script(js2) 
    time.sleep(1)

 

scrollTo() 方法可把内容滚动到指定的坐标:

参数	描述
xpos	必需。要在窗口文档显示区左上角显示的文档的 x 坐标。
ypos	必需。要在窗口文档显示区左上角显示的文档的 y 坐标。

 

这里用到了scrollHeight，它和ClientHeight还有OffsetHeight有什么区别呢？

 

offsetHeight： 包括内容可见部分的高度，border，可见的padding，水平方向的scrollbar（若是存在）；不包括margin。

clientHeight： 包括内容可见部分的高度，可见的padding；不包括border，水平方向的scrollbar，margin。

scrollHeight： 包括内容的高度（可见与不可见），padding（可见与不可见）；不包括border，margin。

 

Chrome

代码写好了，接下来就用selenium+phantomJs大法实验一下！滚到底后把项目列表提取出来看一下：

browser = webdriver.PhantomJs()
url = 'https://www.kaistart.com/project/more.html'
try:
    browser.get(url)
    wait = ui.WebDriverWait(browser, 20)
    wait.until(lambda dr: dr.find_element_by_class_name('project-detail').is_displayed())

    # 一直滚动到最底部
    js1 = 'return document.body.scrollHeight'
    js2 = 'window.scrollTo(0, document.body.scrollHeight)'
    old_scroll_height = 0
    while browser.execute_script(js1) >= old_scroll_height:
        old_scroll_height = browser.execute_script(js1)
        browser.execute_script(js2) 
        time.sleep(1)
    sel = Selector(text=browser.page_source)
    proj_list = sel.xpath('//li[@class="project-li"]')

 

程序运行结束后，显示proje_list里面只有25个元素，而咱们本身手动滚的话却有100多个，明显有bug。想定位这个问题很简单，截图便可，看看为何停在第25个项目。对，phantomJs虽然没有图形界面，可是能够截图。

browser.save_screenshot(debug.png')

 

这样就会把图片保存在项目目录，打开看看：

 

发现项目页只能显示一行，这说明网页不兼容phantomJs，这倒不是什么新鲜事，换一个浏览器试试呗。第一期介绍过，selenium是支持全部主流浏览器的。好比换成Chrome，只需改一行代码：

browser = webdriver.Chrome()

 

再次运行程序，不出所料，Chrome浏览器弹出来，不只可以正确显示页面，还一直在滚动：

 

项目全都刷出来了，想爬什么就爬吧！什么？你问我在Linux服务器上怎么爬？纯命令行的那种吗？

 

 

虚拟X Server

PhantomJs是无界面浏览器，能够在Linux服务器上正常运行，但Chrome会在调用GUI接口时报错。既然Linux服务器没有图形接口服务，也就是X Server，咱们就要虚拟出来一个，才能让Chrome正常运行。因而找到了Xvfb（X virtual frame buffer）,它能够用来做为完整X服务程序的替代。Xvfb有一个Python的封装叫PyVirtualDisplay，咱们就用它来解决这个问题。

安装：

pip install pyvirtualdisplay

用法：

from selenium import webdriver
from pyvirtualdisplay import Display

display = Display(visible=0, size=(800, 600))
display.start()
driver = webdriver.Chrome()
driver.get("http://www.baidu.com")
print (driver.page_source.encode('utf-8'))
driver.quit()
display.stop()

 

运行程序后打印出了baidu的页面内容，如今能够完美运行Chrome了。须要补充的是，在Linux上运行Chrome须要额外安装一个ChromeDriver，比较简单，就不详细介绍了。

 

分布式系统

既然咱们要打造本身的分布式爬虫平台，就要先知道什么是分布式系统，百度百科是这样定义的：

分布式系统（distributed system）是创建在网络之上的软件系统。正是由于软件的特性，因此分布式系统具备高度的内聚性和透明性。所以，网络和分布式系统之间的区别更多的在于高层软件（特别是操做系统），而不是硬件。内聚性是指每个数据库分布节点高度自治，有本地的数据库管理系统。透明性是指每个数据库分布节点对用户的应用来讲都是透明的，看不出是本地仍是远程。在分布式数据库系统中，用户感受不到数据是分布的，即用户不须知道关系是否分割、有无副本、数据存于哪一个站点以及事务在哪一个站点上执行等。

这个定义不太好理解，看看书上怎么说。《分布式系统概念与设计》一书中对分布式系统作了以下定义：

分布式系统是一个硬件或软件组件分布在不一样的网络计算机上，彼此之间仅仅经过消息传递进行通讯和协调的系统。

《分布式系统原理和范型》一书中是这样定义分布式系统的：

分布式系统是若干独立计算机的集合，这些计算机对于用户来讲就像是单个相关系统。

 

简单来讲就是一群独立计算机集合共同对外提供服务，可是对于系统的用户来讲，就像是一台计算机在提供服务同样。分布式意味着能够采用更多的普通计算机（相对于昂贵的大型机）组成分布式集群对外提供服务。计算机越多，CPU、内存、存储资源等也就越多，可以处理的并发访问量也就越大。

从分布式系统的概念中咱们知道，各个主机之间通讯和协调主要经过网络进行，因此，分布式系统中的计算机在空间上几乎没有任何限制，这些计算机可能被放在不一样的机柜上，也可能被部署在不一样的机房中，还可能在不一样的城市中，对于大型的网站甚至可能分布在不一样的国家。可是，不管空间上如何分布，一个标准的分布式系统应该具备如下几个主要特征：

透明性

系统资源被全部计算机共享。每台计算机的用户不只可使用本机的资源，还可使用本分布式系统中其余计算机的资源。

同一性

系统中的若干台计算机能够互相协做来完成一个共同的任务，或者说一个程序能够分布在几台计算机上并行地运行。

通讯性

系统中的计算机均可以经过通讯来交换信息。

 

下一步

今天先了解下基本概念，热热身。整个系统的架构及流程留到下次一块儿奉上。下期再见！