基于python的Splash基本使用和负载均衡配置

Author Avatar
Euan 7月 12, 2019
  • 在其它设备中阅读本文章

本项目来源于大二寒假学习python网络爬虫时所做的实战小项目

前期准备

语言：python3.7,Lua
编译器：pycharm
包管理工具：pip
工具：Scrapy-Splash
应用容器引擎：docker（需要翻墙），可自行网上百度安装和配置教程

功能介绍

利用Splash，我们可以实现如下功能：
异步方式处理多个网页渲染过程；
获取渲染后的页面的源代码或截图；
通过关闭图片渲染或者使用Adblock规则来加快页面渲染速度；
可执行特定的JavaScript脚本；
可通过Lua脚本来控制页面渲染过程；
获取渲染的详细过程并通过HAR（HTTP Archive）格式呈现。

项目实战

首先，在本机端口运行Splash服务，打开http://localhost:8050/
在输入框内输入https://www.shou.edu.cn/，然后点击Render me1
可以看到，网页的返回结果呈现了渲染截图、HAR加载统计数据、网页的源代码。
通过HAR的结果可以看到，Splash执行了整个网页的渲染过程，包括CSS、JavaScript的加载等过程，呈现的页面和浏览器中得到的结果完全一致。

Splash Lua脚本

Splash是通过Lua脚本来控制了页面的加载过程的，然后执行一系列渲染操作。

入口及返回值

1
2
3
4
5
6
function main(splash, args)
  splash:go("https://www.shou.edu.cn/")
  splash:wait(1)  #等待时间
  local title = splash:evaljs("document.title")  #需要对页面前端代码进行分析
  return {title=title}
end

本代码通过evaljs()方法传入JavaScript脚本，而document.title的执行结果就是返回网页标题，执行完毕后将其赋值给一个title变量，随后将其返回。

异步处理 ———涉及对多个页面进行分析比较

1
2
3
4
5
6
7
8
9
10
11
12
13
function main(splash, args)
  local example_urls = {"https://www.shou.edu.cn/", "http://www.gdou.edu.cn/", "http://www.ouc.edu.cn/"}
  local urls = args.urls or example_urls
  local results = {}
  for index, url in ipairs(urls) do
    local ok, reason = splash:go("http://" .. url)
    if ok then
      splash:wait(2)
      results[url] = splash:png()
    end
  end
  return results
end

在脚本内调用的wait()方法类似于Python中的sleep()，其参数为等待的秒数。当Splash执行到此方法时，它会转而去处理其他任务，然后在指定的时间过后再回来继续处理。
更多Lua脚本的语法详见文档

Splash对象属性 ——方法中的对象属性

args

该属性可以获取加载时配置的参数，比如URL，如果为GET请求，它还可以获取GET请求参数；如果为POST请求，它可以获取表单提交的数据。

1
2
3
function main(splash, args)
    local url = args.url
end

第二个参数args就相当于splash.args属性
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。

1
2
3
4
5
6
function main(splash, args)
  splash:go("https://www.shou.edu.cn/")
  splash.js_enabled = false
  local title = splash:evaljs("document.title")
  return {title=title}
end

更多对象如resource_timeout、images_enabled、plugins_enabled、scroll_position详见https://blog.csdn.net/weixin_38239050/article/details/82584613

Splash对象的方法

详见https://splash.readthedocs.io/en/stable/scripting-ref.html

Splash API调用

详见https://splash.readthedocs.io/en/stable/scripting-element-object.html

配置Splash服务

要搭建Splash负载均衡，首先要有多个Splash服务。假如多台远程主机的都开启了Splash服务，它这几个服务必须完全一致，都是通过Docker的Splash镜像开启的。访问其中任何一个服务时，都可以使用Splash服务。

配置负载均衡

选用任意一台带有公网IP的主机来配置负载均衡。首先，在这台主机上装好Nginx，然后修改Nginx的配置文件nginx.conf，添加各台主机的ip。

配置认证

现在Splash是可以公开访问的，如果不想让其公开访问，还可以配置认证，这仍然借助于Nginx。 （Nginx为服务器代理服务）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
http {
    upstream splash {
        least_conn;
        server xxx;    ——xxx为服务器ip地址
        server xxx;
   ……
    }
    server {
        listen 8050;
        location / {
            proxy_pass http://splash;
            auth_basic "Restricted";
            auth_basic_user_file /etc/nginx/conf.d/.htpasswd;
        }
    }
}

测试

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import requests
from urllib.parse import quote
import re

lua = '''
function main(splash, args)
  local treat = require("treat")
  local response = splash:http_get("https://www.shou.edu.cn/")
  return treat.as_string(response.body)
end
'''

url = 'http://splash:8050/execute?lua_source=' + quote(lua)
response = requests.get(url, auth=('admin', 'admin'))
ip = re.search('(\d+\.\d+\.\d+\.\d+)', response.text).group(1)
print(ip)

这里URL中的splash字符串请自行替换成自己的Nginx服务器IP。这里我修改了Hosts，设置了splash为Nginx服务器IP。

心得体会

通过本项目，我对于js有了更深一步的了解，对于前端代码有了进一步的认识，服务器配置方面，因只有单台服务器，只能单看教程无法做出新的体会。

本项目对于Lua脚本语言只是冰山一角，本文也是一个抛砖引玉，最主要的还是记录我自己学习过程，通过实战不断锻炼自己。

源代码

https://github.com/zyhang8/Web-Crawler-Development/tree/master/%E5%8A%A8%E6%80%81%E6%B8%B2%E6%9F%93%E9%A1%B5%E9%9D%A2%E7%88%AC%E5%8F%96/Splash%E7%9A%84%E4%BD%BF%E7%94%A8

附

本博客只是基于Splash的强大渲染性能对其进行学习理解，其中的代码是源于崔老师的实战对其分析进行理解后自己做的一些小改变。

希望可以与我多多分享经验，有空必回

本文使用 CC BY-NC-SA 3.0 中国大陆 协议许可
具体请参见 知识共享协议
本文链接：https://zyhang8.github.io/2019/07/12/Splash-load-balancing-test/