Scrapy对接Splash基础知识学习

一：什么是Splash

Splash是一个 JavaScript渲染服务，是一个带有 HTTPAPI 的轻量级浏览器

1 功能介绍

利用 Splash，我们可以实现如下功能：

口异步方式处理多个网页渲染过程；

口 获取渲染后的页面的源代码或截图；

口 通过关闭图片渲染或者使用 Adblock规则来加快页面渲染速度；

口 可执行特定的 JavaScript脚本；

口可通过 Lua 脚本来控制页面渲染过程；

口 获取渲染的详细过程并通过 HAR ( HTTP Archive ）格式呈现。

2：安装教程(不做介绍，小伙伴可自行百度，教程很多）

3：Splash使用到的方法：

go（）--------------go（）方法去加载页,且它可以模拟 GET 和 POST请求,同时支持传入请求头,表单等数据

wait（）------------wait（）方法可以控制页面的等待时间

evaljs（）----------evaljs（）方法传入JavaScript脚本并返回最后一条 JavaScript语句的返回结果

wait（）----------- wait（）方法类似于 Python 中的 sleep（），其参数为等待的秒数。

jsfunc() ------------可以直接调用 JavaScript 定义的方法，但是所调用的方法需要用双中括号包围，这相当于 实现了                                 JavaScript方法到 Lua脚本的转换

runjs()------------runjs()方法可以执行 JavaScript 代码，它与 evaljs（）的功能类似，但是更偏向于执行某些动作或声                          明 某些方法

autoload() ------ autoload() 方法可以设置每个页面访问时自动加载的对象

call_later()--------方法可以通过设置定时任务和延迟时间来实现任务延时执行，井且可以在执行前通过 cancel() 方法                            重新执行定时任务

http_get() --------此方法可以模拟发送 HTTP 的 GET请求

http _post()-----http_get（）方法类似，此方法用来模拟发送 POST请求，不过多了一个参数 body

set_content() ------此方法用来设置页面的内容

html() ----------此方法用来获取网页的源代码

png() ------------此方法用来获取 PNG 格式的网页截图

jpeg() -----------此方法用来获取 JPEG 格式的网页截图

har() ------------此方法用来获取页面加载过程描述

url() ------------此方法可以获取当前正在访问的 URL

get_cookies() -----此方法可以获取当前页面的 Cookies

add_cookie() -----此方法可以为当前页面添加 Cookie

clear_ cookies() ---此方法可以清除所有的 Cookies

get_viewport_size() ---此方法可以获取当前浏览器页面的大小，即宽高

set_viewport_full() ---此方法可以设置浏览器全屏显示

set_user_agent() ----此方法可以设置浏览器的 User-Agent

set_custom_headers() ---此方法可以设置请求头

select() -------该方法可以选中符合条件的第一个节点，如果有多个节点符合条件， 则只会返回一个，其参数是 css                         选择器

select_all() ------此方法可以选中所有符合条件的节点，其参数是 css 选择器

mouse_click() ------此方法可以模拟鼠标点击操作，传入的参数为坐标值 x 和 y。 此外，也可以直接选中某个节点，                                  然后调用此方法

4：Splash 对象属性

function main(splash, args)
   local url = args.url
end 

• splash

main（）方法的第一个参数是 splash ，这个对象非常重要，它类似于 Selenium 中的 WebDriver 对象，我们可以调用它的一些属性和方法来控制加载过程

• args

该属性可以获取加载时配置的参数

• js_enabled

这个属性是 Splash的JavaScript执行开关，可以将其配置为true或false来控制是否执行JavaScript 代码，默认为 true

• resource_timeout

此属性可以设置加载的超时时间，单位是秒。 如果设置为 0 或 nil （类似 Python 中的 None ），代 表不检测超时

• images_ enabled

此属性可以设置图片是否加载，默认情况下是加载的

• plugins _enabled

此属性可以控制浏览器插件（如 Flash 插件）是否开启 。 默认情况下，此属性是 false，表示不开 启

• scroll_position

通过设置此属性，我们可以控制页面上下或左右滚动。 这是一个比较常用的属性

二：Splash API 调用

• render.html 

此接口用于获取 JavaScript渲染的页面的 HTML 代码，接口地址就是 Splash 的运行地址加此接口 名称，

• render.pug

此接口可以获取网页截图，其参数比 render.html 多了几个，比如通过 width 和 height 来控制宽高， 它返回的是 PNG 格式的图片二进制数据

render.jpeg

此接口和 render.pug类似，不过它返回的是 JPEG 格式的图片二进制数据。
另外， 此接口比 render.png 多了参数 quality，它用来设置罔片质量。

render.bar

此接口用于获取页面加载的 HAR数据，它的运回结果非常多，是一个 JSON 格式的数据，其中包含页面加载过程巾的 HAR数据。

render.json

此接口包含了前面接口的所有功能，返回结果是 JSON 格式

• execute
此接口才是最为强大的接口 。 前面说了很多 Splash Lua脚本的操作，用此接口便可实现与 Lua脚 本的对接。

如果要实现 一些交互操作的话，这里就需要使用 execute 接口了。