golang爬虫使用splash进行JS渲染服务

起因

发现之前写的 shein 爬虫突然失效了。页面返回提示: Enable JavaScript and cookies to continue

us.shein.com needs to review the security of your connection before proceeding.
Ray ID: 78698c2b8b837cdd
Performance & security by Cloudflare

尝试更换代理IP, 请求头都没用。根据提示来看确实被反爬了。应该启用 JS渲染。
考虑到Go语言常用的 chromedp 浏览器爬虫效率较低。想起以前使用python的 scrapy 爬虫框架时结合 Splash 可做 JS渲染 服务挺好用的。想着 Splash 本身基于HTTP的API, 是跨语言的应该可以代替 chromedp 来做浏览器渲染。

Splash运行环境

使用 Docker (version >= 17), 安装 Splash 服务.

# 下载 splash 镜像
sudo docker pull scrapinghub/splash
# 启动 splash 容器。因需要使用宿主机的HTTP代理服务。故添加 --net host 参数
sudo docker run -it --net host -p 8050:8050 --rm scrapinghub/splash

docker run 命令添加参数 --net host, 使容器能使用宿主机网络环境的HTTP代理服务。
如此便开启了一个运行Splash应用的Docker容器该容器共享宿主机网络。
访问地址: http://127.0.0.1:8050

在Golang中使用

发起一个 GET方法 的HTTP请求使用 splash 的 JS渲染 服务。流程如下

1. 爬虫程序通过 发起HTTP请求调用 splash 服务端的 API接口默认为本地8050端口。
2. splash 模拟浏览器请求对请求结果进行 JS渲染得到网页完整的HTML代码。
3. 爬虫程序通过 API接口 返回的结果得到 JS渲染 过后的HTML网页代码。

使用 Splash 的API接口 的 execute (或 run)方法在 lua_source 参数中携带执行脚本参数。

lua_source 参数示例:

function main(splash)
    return 'hello'
end

通过curl命令调用API接口示例:

# execute 方法
curl 'http://127.0.0.1:8050/execute?lua_source=function+main%28splash%29%0D%0A++return+%27hello%27%0D%0Aend'

Golang语言中请使用 net/url 包的 url.QueryEscape 方法对 lua_source 参数进行 urlEncode 转义。

伪代码如下所示:

import (
	"fmt"
	neturl "net/url"
	"strconv"
	"strings"
	"time"
	"github.com/gocolly/colly/v2"
)

func GetSplashUrl(url string) string {
	luaSourceFmt := `splash:on_request(function(request)
	request:set_proxy{"0.0.0.0",1079}
	end)
	splash:set_user_agent("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36")
	assert(splash:go("%s"))
	return splash:html()
	`
	q := neturl.QueryEscape(fmt.Sprintf(luaSourceFmt, url))
	return "http://127.0.0.1:8050/run?lua_source=" + q
}

func main(){
    reqUrl := GetSplash("https://www.example.com")
    // TODO 通过reqUrl发起HTTP请求返回结果已被Splash处理过为JS渲染过的HTML页面。
}

通过HTTP请求调用Splash的API接口

1. http://localhost:8050/render.html
2. http://localhost:8050/render.png
3. http://localhost:8050/execute
4. http://localhost:8050/run

execute 方法接口的 lua_source 参数如下所示:

function main(splash, args)
    assert(splash:go(args.url))
    assert(splash:wait(1.0))
    return splash:html()
end

run 方法接口的 lua_source 参数如下所示:

assert(splash:go(args.url))
assert(splash:wait(1.0))
return splash:html()

Splash操作脚本

操作方法

• splash:go 网页链接跳转. 目前只支持 GET 和 POST 请求。支持指定 HTTP 请求头表单等数据.
• splash:set_user_agent(value) 设置UA请求头
• splash:select HTML元素CSS选择器

request 对象

request 对象 在 splash:on_request(callback) 方法的回调函数中调用

• request:set_proxy{host, port, username=nil, password=nil, type='HTTP'} 设置请求代理
• request:set_header(name, value) 设置请求头

splash:on_request

splash:on_request(callback) 设置一个回调函数用于在发起HTTP请求前操作 request 对象

# 添加代理
splash:on_request(function(request)
    request:set_proxy{
        host = "0.0.0.0",
        port = 8990,
        username = splash.args.username,
        password = splash.args.password,
    }
end)

---

https://splash.readthedocs.io/en/stable/scripting-tutorial.html
https://splash.readthedocs.io/en/stable/scripting-ref.html#splash-on-request
request 请求对象 https://splash.readthedocs.io/en/stable/scripting-request-object.html
Splash安装和使用 https://blog.csdn.net/qq_53582111/article/details/121649717
深入使用 Splash 服务 https://www.5axxw.com/wiki/content/hf16nn