基于python的Splash基本使用和负载均衡配置

Posted 2021-02-11 wangxuanyou

1. 工具

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

2. 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。

3. 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 me

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，呈现的页面和我们在浏览器中得到的结果完全一致。

4. 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

function main(splash, args)
  splash:go("https://www.shou.edu.cn/")
  splash:wait(1)  local title = splash:evaljs("document.title")  return {title=title}end

 电动叉车

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

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 resultsend

 

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http://www.runoob.com/lua/lua-basic-syntax.html

5. Splash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。

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

 

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。

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

6. Splash对象的方法

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

7. Splash API调用

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

8. 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。

9. 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。

10. 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。可以在server的location字段中添加auth_basic和auth_basic_user_file字段。

http {
    upstream splash {
        least_conn;
        server xxx;
        server xxx;
   ……
    }
    server {
        listen 8050;
        location / {
            proxy_pass http://splash;
            auth_basic "Restricted";
            auth_basic_user_file /etc/nginx/conf.d/.htpasswd;
        }
    }
}

 

11. 测试

import requestsfrom urllib.parse import quoteimport 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。