使用playwright异步自动化爬虫

由于时效问题，该文某些代码、技术可能已经过期，请注意！！！本文最后更新于：5 个月前

playwright

playwright代替selenium，异步爬虫

安装

1
2
pip install playwright
playwright install chromium   # 安装浏览器 只安装chromium

使用

基本使用

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
import asyncio
from playwright.async_api import async_playwright
from bs4 import BeautifulSoup  # 导入 BeautifulSoup 库

async def fetch_data(url):
    
    async with async_playwright() as p:
        # 启动浏览器
        browser = await p.chromium.launch(headless=False)  # 可以设置 headless=True 以隐藏浏览器窗口
        page = await browser.new_page()

        # 访问页面
        await page.goto(url, timeout=600000)
        # 等待页面加载完成（可选，根据需要调整等待时间）
#         await page.wait_for_load_state('networkidle')
        await asyncio.sleep(3)

        # 获取数据
        content = await page.content()
        
        # 打印获取到的内容（调试用）
#         print(content)

        # 关闭浏览器
        await browser.close()

# 运行主异步函数
asyncio.run(fetch_data(url))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
import asyncio
from playwright.async_api import async_playwright
from bs4 import BeautifulSoup  # 导入 BeautifulSoup 库

usnews_dict = {}

async def fetch_data(page_number):
    # 更新 URL 中的 page 参数
    url = f"https://www.usnews.com/best-colleges/api/search?format=json&schoolType=national-universities&_sort=rank&_sortDirection=asc&_page={page_number}"

    async with async_playwright() as p:
        # 启动浏览器
        browser = await p.chromium.launch(headless=False)  # 可以设置 headless=True 以隐藏浏览器窗口
        page = await browser.new_page()

        # 访问页面
        await page.goto(url)

        # 获取 JSON 数据
        json_data = await page.evaluate('''
            (url) => {
                return fetch(url)
                    .then(response => response.json())
                    .then(data => data)
                    .catch(error => { throw new Error(error) });
            }
        ''', url)

        # 处理 JSON 数据
        items = json_data.get('data', {}).get('items', [])
        for item in items:
            name = item['institution']['displayName']
            linkTxt = item['institution']['linkedDisplayName']
            linkSoup = BeautifulSoup(linkTxt, 'html.parser')
            link = 'https://www.usnews.com' + linkSoup.find('a').get('href')
            usnews_dict[name] = link

        # 打印数据
        print(f"Page {page_number}:")
        for name, link in usnews_dict.items():
            print(f"{name}: {link}")

        # 关闭浏览器
        await browser.close()

async def main():
    # 循环请求第 1 页到第 10 页的数据
    for page_number in range(1, 11):
        time.sleep(10)
        await fetch_data(page_number)

# 运行主异步函数
asyncio.run(main())

with open('usnews-100.json', 'w') as json_file:
    json.dump(usnews_dict, json_file, indent=2)

注意事项

  1. 异步爬虫，需要使用asyncio.run(main())来运行主函数
  2. 使用playwright时，需要使用async with async_playwright() as p:来启动浏览器
  3. 使用playwright时，需要使用await page.goto(url)来访问页面
  4. 使用playwright时，需要使用await page.evaluate(‘’’)来执行JavaScript代码
  5. 使用playwright时，需要使用await browser.close()来关闭浏览器
  6. 使用playwright时，需要使用await page.evaluate(‘’’)来获取页面数据

参考

playwright官方文档

工具
爬虫

本博客所有文章除特别声明外，均采用 CC BY-SA 4.0 协议 ，转载请注明出处！