[爬虫]请教各位高手，除了 Seleium 的方法，还有什么现成轮子方法可以获得渲染后的网页代码？

[qazwsxkevin]

在学习和使用的过程中，我是使用 Seleium+chromedriver 去 driver.page_source 获得渲染后的 html 代码，不知道为什么，用 chromedriver 去 get 网页，webdriver 通常一个页面需要 1~2 分钟才能结束进程得到 html 代码，一两个页面没什么问题，现在批量，就很花时间（这个现象好像也不少人跟我一样的情况，我换电脑，换 chromedriver 版本，甚至换个城市换个运营商都是这样，笑~）
回到问题本身，我其实就是需要找其它什么轮子，可以去获取一个渲染后的页面 html ？（渲染就是鼠标把网页从顶部滚到底部，js 执行完了，网页就渲染好了，不需要其它什么操作）

#使用 Chrome 获取网页代码成 Str
def GetChromeLinkSourcetoStr(link):
    options = webdriver.ChromeOptions()
    options.add_argument('--headless')
    options.add_argument('--disable-gpu')
    options.add_argument('--no-sandbox')
    options.add_argument('blink-settings=imagesEnabled=false')
    driver = webdriver.Chrome(options=options)
    wait = WebDriverWait(driver, 10)
    driver.maximize_window()
    driver.get(link)
    tmpStr = driver.page_source
    return tmpStr

[sivacohan]

加上这个试试。
options.add_argument('--no-proxy-server')

[yh7gdiaYW]

Puppeteer

[Rorshach]

可以用 splash，这个是异步的，比 selenium 快吧，还可以试试 Phantom JS 这种无界面浏览器
不过如果每个页面要 1~2 分钟才能得到代码，应该不是框架的问题吧……

[shuangyeying]

你去看看要爬的网页有没有引用墙外的资源，如果有的话，可能这就是加载慢的原因了。另外可以装上广告屏蔽插件再试试。

[Leigg]

可以改浏览器参数，只是你不会。
get 方法默认是阻塞到浏览器加载完才向下执行，如果加载失败这个窗口也用不了。但是有可能浏览器已经加载出想要的内容，还是没停下，这时候想要操作浏览器就必须改个参数。晚点发上来

[nullboy]

Puppeteer。但是真心不会写 node，现在是大部分工作是 python+selenium 实现的，部分限制 selenium 的功能用 puppeteer

[lzxz1234]

如果是 python 可以考虑下 pyspider

[lozzow]

@nullboy 我记得我个日本老哥写了一个 py 版本的

[Jaho]

python 有 pyppeteer 啊 为啥你们都说都推荐去写 node 至于速度问题 不至于要 1-2 分钟吧
附： http://bb.jaho.fun/Pyppeteer.html
防踩坑

[sep1025]

requests-html，集成 pyppeteer

[foxyier]

selenium,设置不加载图片之类的东西，应该很快的

[momocraft]

selenium 是不是停好久了
puppeteer 挺香的

[ClericPy]

有 selenium 写爬虫从始至终都是很傻的行为吧, phantomjs 作者放弃开发了, selenium 还活着

楼主直接用 chrome 远程调试那个 cdp 协议吧, chrome devtools protocol
简单的用 http/socket 请求就可以操作 chrome, 用 js 实现不断翻页, 用 cdp 里的 Network 截取流量判断是否最后一页

你不给个例子, 也不好给你看看示例代码

[kidlfy]

还是 puppeteer 吧 是 chrome 团队维护的靠谱点

[tohearts]

我使用的是 splash， 异步配异步

[fank99]

splash

[momocraft]

如果你实在不想写 node，找人写个 puppeteer 打开网页返回 html 的服务也没几行

不过里面出错你无法 debug

[shawndev]

puppeteer

[Vegetable]

你先浏览器正常加载一下看看多久能加载完好吗

[Leigg]

@Leigg
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
desired_capabilities = DesiredCapabilities.CHROME # 修改页面加载策略
# none 表示将 br.get 方法改为非阻塞模式，在页面加载过程中也可以给 br 发送指令，如获取 url，pagesource 等资源。
desired_capabilities["pageLoadStrategy"] = "none"


driver = webdriver.Chrome(chrome_options=chrome_options,
executable_path=chrome_driver_path,
desired_capabilities=desired_capabilities)
拿去吧。

[Threeinchtime]

个人用 splash，感觉不好用，看了楼上现在马上去试试 pyppeteer

[pmispig]

@momocraft pyppeteer 无法在 headless 下载文件，请问怎么解决。。

[wersonliu9527]

不是很多加载都是 xhr 请求来的么 0.0

[greatbody]

https://github.com/getgauge/taiko
这个是 ThoughtWorks 出的一款 nodejs 的测试工具，本质上是无头浏览器。
供参考。

[alienlu19870911]

请教一下大家，pyppeteer 怎么在多线程下调用，想用这个替代 selenium，但在多线程下调用总是会报错，错误是需要运行在主线程。

[shuang]

Puppeteer+1
有个需求要对网页的某个区域生成缩略图就是用 Puppeteer 实现的，时间大概在 700ms 至 3000ms 之间
不知道是不是服务器性能差异的问题，感觉 windows 比 linux 速度要快一些

[KuroNekoFan]

headless browser 都行吧，甚至 jsdom 都行

[wongyusing]

为什么不分析网页的构造形式呢？？
鼠标下拉也只是在请求不同也页面。
一般下拉也就是两种情况，
请求 json 数据，通过在 css 或 js 的模板进行渲染。
请求一小段 html 格式，通过元素选择器添加到网页中。

Seleium 这样的轮子讲真，真的很慢。
不过用来实现登陆生成 cookie 池还是比较好的

[bantianys]

之前也遇到这样的问题。无头模式时快时慢，好像是和 wait 的里面的一个参数有关系，似乎是轮询元素是否存在的频率？既不大清楚了。