playwright网络爬虫实战案例分享-轻识

点击上方“Python爬虫与数据挖掘”，进行关注

回复“书籍”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

不寝听金钥，因风想玉珂。

大家好，我是Python进阶者。

一、前言

前几天在Python白银交流群【HugoLB】分享了一个playwright网络爬虫利器，如下图所示。

感觉挺有意思，上手难度也不算太大，这里整理一份小教程分享给大家，后面遇到常规爬不动的网站，不妨试试看这个利器，兴许会事半功倍哦！

二、实现过程

这里使用新发地网站做一个简单的示例，新发地网站最开始的时候是get请求，去年的时候开始使用post请求方式，网页发生了变化，其实你正常使用网络爬虫的常规方式，也是可以获取到数据的，而且效率也很高，这里我是为了给大家做一个playwright网络爬虫示例，拿这个网站小试下牛刀。言归正传，一起来看看吧！

新发地网站的首页如下图所示：

进入网页之后，可以看到网页的url，然后点击右侧的查看更多，即可进入到详情页，如下图所示：

此时可以看得到更多的数据量了，这里只是用一两个页面做一个示例，更多的页面等大家自己去挖掘。

启动浏览器抓包，点击网页的下一页，可以看到响应数据如下图所示：

此时的请求参数如下图所示：

依次再点击下一页，可以看到Request URL是不变的，变化的是Payload里边的current参数。

此时的请求参数如下图所示：

那么到这里的话，网页变化的规律其实已经很明显了，接下来我们只需要上playwright代码就行了，代码框架是固定的，只需要更改两个url即可，第一个是主页的url，第二个就是响应数据的response.url，具体的代码如下所示：

from playwright.sync_api import Playwright, sync_playwright
import datetime
from pprint import pprint
import traceback
import logging
from tqdm import tqdm
import json

# pip install playwright，然后终端 playwright install
"""
先用playwright写一个普通的登入网站代码，然后page.goto前面加上
page.on("request", lambda request: handle(request=request, response=None))
page.on("response", lambda response: handle(response=response, request=None))
然后可以写一个handle自定义函数，args为response和request，然后后面想怎么处理数据都可以
"""
# setup logging
logging.basicConfig(format='%(asctime)s | %(levelname)s : %(message)s', level=logging.INFO)


def handle_json(json):
    # process our json data
    # print(json)
    for i in range(20):
        data_list = json['list'][i]
        # print(data_list)
        id = data_list['id']
        prodName = data_list['prodName']
        prodCat = data_list['prodCat']
        place = data_list['place']
        print(id, prodName, prodCat, place)


def handle(request, response):
    if response is not None:
        # response url 是网站请求数据的url
        if response.url == 'http://www.xinfadi.com.cn/getPriceData.html':
            handle_json(response.json())


def run(playwright: Playwright) -> None:
    browser = playwright.chromium.launch(headless=False)
    context = browser.new_context(ignore_https_errors=True)

    # Open new page
    page = context.new_page()

    page.on("request", lambda request: handle(request=request, response=None))
    page.on("response", lambda response: handle(response=response, request=None))
    # url是网页加载的URL
    url = 'http://www.xinfadi.com.cn/index.html'
    page.goto(url)
    # 然后之前看到有说道网站动态加载，拖动的问题。playwright可以直接用page.mouse.wheel(0, 300)解决
    page.wait_for_timeout(50000)
    # ---------------------
    context.close()
    page.close()
    browser.close()


with sync_playwright() as playwright:
    run(playwright)