初识Spalash

输入下面命令运行splash:

docker run -p 8050:8050 scrapinghub/splash

一个splash的基本实例:

function main(splash, args)
    splash:go("http://www.baidu.com")
    splash:wait(0.5)
    lcoal title = splash:evaljs("document.title")
    return {title=title}
end

将上面实例复制到 localhost:8050 的代码编辑区域,并将网址设为 http://www.baidu.com

点击Render me!返回 http://www.baidu.com 的title

我们在这里定义的方法名称为main(),这个名称是固定的,Splash会根据这个名字执行。

  • 入口及返回值

该方法的返回值既可以是字典形式,也可以是字符串形式,最后都会转化为Splash HTTP Response。

  • 异步处理

Splash支持异步处理,但是这里没有显式指明回调方法,其回调实在Splash内部完成的。

示例如下:

function main(splash, args)
    local example_urls = {"www.baidu.com", "www.taobao.com", "www.zhihu.com"}
    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

上面实例运行结果为,三个网站的的截图。
在脚本内调用的wait()方法类似与sleep()。其参数为等待的秒数。

“..”为拼接字符串。

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。

Splash也支持使用第二个参数直接作为args,例如:

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

这里第二个参数args就相当于splash.args属性,以上代码等价于:

function main(spalsh)
    local url = splash.args.url
end
  • js_enable

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.

一般不用设置此属性,默认开启。

  • resource_timeout

顾名思义,此属性设置加载的超时时间,单位为秒。如果设置为0或者nil(类似python中的None),代表不检测超时。

此属性用于加载速度较慢的情况,避免给一直等待,超过时间无响应,直接抛出异常忽略即可。

  • image_enable

顾名思义,设置图片是否加载,默认情况加载。禁用之后可以节省网络流量并提高加载速度。

注意,禁用图片加载可能会影响JavaScript渲染。因为禁用图片加载后,它的外层DOM节点的高度会发生变化,进而影响

DOM节点的位置。若JavaScript对图片节点有操作的话,其执行就会有影响。

初次之外Splash使用了缓存,一开始缓存了图片,然后禁用了图片加载。再进行加载图片还会出现,此时重启Splash即可

  • plugins_enable

此属性控制浏览器插件(如Flash插件)是否开启。默认false,不开启。

  • scroll_position

通过设置此属性来控制页面上下或左右滚动。
示例如下:

function main(splash, args)
    assert(splash:go("https://www.taobao.com"))
    splash.scroll_position = {y=400}
    return {png = splash:png()}
end

这样我们可以控制页面向下滚动400像素。

Splash对象方法

  • go()

该方法用来请求某个链接,也可以模拟GET和POST请求,同时支持传入请求头、表单等数据,其用法如下:

ok, reason = splash:go{url, baseurl=nil, http_method="GET", body=nil, formdata=nil}

其参数说明如下:

  1. url:请求的URL。
  2. baseurl:可选参数,默认为空,表示资源加载相对路径。
  3. headers:可选参数,默认为空,表示请求头。
  4. http_method:可选参数,默认为GET,同时支持POST。
  5. body:可选参数,默认为空,发POST请求时的表单数据,使用的Content-type为application/json。
  6. formdata:可选参数,默认为空,POST请求时的表单数据,使用的Content-type为application/x-www-form-urlencoded

该方法的返回结果是结果ok和原因reason的组合,如果ok为空,代表网页加载出现了错误,此时reason变量包含了错误的原因,否则证明页面加载成功。

示例如下:

function main(splash, args)
    local ok, reason = splash:go{"http://httpbin.org/post", http_method="POST", body="name=Germy"}
    if ok then
        return splash:html()
    end
end
  • wait()

此方法可以控制页面等待时间使用方法如下:
ok, reason = splash:wait(time, cancel_on_redirect=false, cancel_on_error=true)

参数说明如下:

  1. time:等待的秒数。
  2. cancel_on_redirect:可选参数默认为false,表示如果发生重定向就停止等待,并返回重定向的结果。
  3. cancel_on_error:可选参数,默认为false,表示如果发生了加载错误,就停止等待。

返回结果也是ok和reason的组合。

  • jsfunc()

此方法可以直接调用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。

  • evaljs()

此方法可以执行JavaScript代码并返回最后一条JavaScript语句的返回结果,使用方法如下:

result = splash:evaljs(js)
  • runjs()

此方法可以执行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()

此方法可以设置每个页面访问时自动加载的对象,使用发放如下:

ok, reason = splash:autoload{source_or_url, source=nil, url=nil}

参数说明如下:

  1. source_or_url:JavaScript代码或者JavaScript库链接。
  2. source:JavaScript代码
  3. url:JavaScript库链接

此方法只负责加载JavaScript代码或库,不执行任何操作。执行操作的话,需要调用evaljs()或runjs()方法。

  • call_later()

此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,并且可以在执行前通过cancel()方法重新执行定时任务。

示例如下:

function main(splash, args)
    local snapshots = {}
    local timer = splash:call_later(function()
        snapshots["a"] = splash:png()
        splash:wait(1.0)
        snapshots["b"] = splash:png()
    end, 0.2)
    splash:go("https://www.taobao.com")
    splash:wait(3.0)
    return snapshots
end
  • http_get()

此方法可以模拟发送HTTP的GET请求,使用方法如下:

response = splash:http_get{url, headers=nil, follow_redirects=true}

参数说明如下:

  1. url:请求URL
  2. headers:可选参数,默认为空,请求头。
  3. follow_redirects:可选参数,表示是启动自动重定向,默认为true。
  • http_post()

此方法用来模拟发送POST请求,使用方法如下:

 response = splash:http_post{url, headers=nil, follow_redirects=true, body=nil}

参数说明如下:

  1. url:请求URL。
  2. headers:可选参数,默认为空,请求头。
  3. follow_redrects:可选参数,表示是否启动自动重定向,默认为true
  4. body:可选参数,即表单数据,默认为空
  • set_content()

此方法用来设置页面的内容,示例如下:

function main(splash, args)
    assert(splash:set_content("<html><body><h1>hello</h1></body></html>"))
    return splash:png()
end
  • html()

此方法用来获得网页的源代码

  • 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()

此方法用来获得页面加载过程描述

  • 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_cookies()

此方法可以为当前页面添加Cookies。

  • 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。

  • set_viewport_size()

此方法可以设置当前浏览器页面的大小

  • set_viewport_full()

此方法可以设置浏览器全屏显示

  • set_uer_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,其参数时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的x 和y。此外,也可以直接选中某个节点,然后调用此方法。

Splash API调用

与python结合调用。

  • 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,
例如 :

http://localhost:8050/render.html?url=https://www.baidu.com

我们给此接口传递了一个url参数来指定渲染的URL,返回结果即页面渲染后的源代码。

  • render.png

此接口可以获取网页截图,通过width和heigh来控制宽高,返回PNG格式的图片二进制数据。示例如下:

curl http://localhost:8050/rnder.png?url=https://www.taobao.com&wait=5&width=1000&height=700
  • render.jpeg

此接口接口返回jpeg格式的网页截图。参数quality用来设置图片质量。

  • render.har

此接口用于获取页面加载的HAR数据,示例如下:

curl http://localhost:8050/render.har?url=https://www.jd.com&wait=5
  • 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

此接口是最为强大的接口,实现了与Lua脚本的对接。

Splash负载均衡设置

负载均衡的目的就是为了多个服务器分担压力。
假设四台服务器哦IP地址为:

  • 127.0.0.1
  • 127.0.0.2
  • 127.0.0.3
  • 127.0.0.4

四台服务器的Splash均通过dockers的splash镜像在端口:8050开启服务。
选择任意一台带有公网IP的主机来配置负载均衡。

首先在服务器安装Nginx。

修改Nginx的配置文件nginx.conf,添加如下内容:

http {
    upstream splash {  # 服务器集群名为splash
        least_conn;  
        # 代表最少链接负载均衡,去掉此行将使用默认的轮询策略实现负载均衡
        # 若使用ip_hash,此方法确保同一服务器响应请求,此方法适合有状态的服务。
        # Splash不需要应用此设置。
        server 127.0.0.1:8050;
        # 还可以添加weight参数设置权值,权值越高分配到的请求越多。
        server 127.0.0.2:8050;
        server 127.0.0.3:8050;
        server 127.0.0.4:8050;
    }
    server {
        listen 8050;
        location / {
            proxy_pass http://splash;
            # 设置下面两行来进行用户认真。
            auth_basic "Restricted";
            auth_baseic_user_file /etc/nginx/conf.d/.htpasswd;
        }
    }
}

上面用户认证的用户名和密码配置放置在 /etc/nginx/conf.d 目录下,我们需要使用htpasswd命令创建。

例如,创建一个用户名为admin的文件,相关命令如下:

htpasswd -c .htpasswd admin

之后输入两次密码即可。

配置完成后需要重启Nginx服务。

测试文件在

./test_load_balance.py
    原文作者:高速公路不懂爱
    原文地址: https://segmentfault.com/a/1190000019456991
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞