Playwright进行异步爬取案例

1.代码功能概述

该代码使用 Playwright 异步库编写，用于抓取一个目标网站的数据。主要任务包括：

1. 加载网页：访问指定页面并等待加载完成。
2. 解析网页内容：提取数据如标题、封面图片、分类、评分、简介等。
3. 存储数据：将抓取到的数据以特定格式保存到本地文件中。

2.代码结构解析

1. 导入模块

import asyncio
import logging
from os.path import exists
from playwright.async_api import async_playwright
from urllib.parse import urljoin

• asyncio：用于异步操作。
• logging：用于记录程序的运行日志。
• os.path.exists：检查指定路径是否存在。
• async_playwright：Playwright 异步版本，用于浏览器自动化。
• urljoin：用于拼接相对路径和基准路径，生成完整的 URL。

2. 全局变量与初始化

logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')
BASE_URL = 'https://ssr1.scrape.center'
TOTAL_PAGE = 2
RESULT_DIR = 'data'
exists(RESULT_DIR) or makedirs(RESULT_DIR)

• 设置日志记录格式和级别。
• 定义爬取的目标网站的基本 URL (BASE_URL) 和总页数 (TOTAL_PAGE)。
• RESULT_DIR：存储数据的目录。
• 如果结果存储目录不存在，则创建该目录。

3. 页面加载功能

async def scrape_page(page, url):
    logging.info('scraping %s ...', url)
    try:
        await page.goto(url)  # 跳转到目标 URL
        await page.wait_for_load_state('networkidle')  # 等待页面完全加载
    except Exception as e:
        logging.error(f"Error scraping {url}: {str(e)}", exc_info=True)
        return False
    return True

• 功能：访问指定的网页 URL，等待其加载完成。
• 异常处理：如果加载失败，记录错误并返回 False。

4. 索引页和详情页抓取功能

async def scrape_index(page, page_index):
    index_url = f'{BASE_URL}/page/{page_index}'
    return await scrape_page(page, index_url)

async def scrape_detail(page, url):
    return await scrape_page(page, url)

• scrape_index：访问分页列表页。
• scrape_detail：访问详情页。

5. 索引页内容解析

async def parse_index(page):
    elements = await page.query_selector_all('a.name')  # 找到所有目标链接
    for element in elements:
        part_of_url = await element.get_attribute('href')  # 获取链接地址
        if part_of_url:
            detail_url = urljoin(BASE_URL, part_of_url)  # 拼接完整 URL
            logging.info('get url: %s', detail_url)
            yield detail_url

• 查找页面中所有指定的 <a> 标签，并提取其 href 属性。
• 通过 urljoin 拼接为完整的详情页 URL。

6. 详情页内容解析

async def parse_detail(page):
    name_tag = await page.query_selector('h2.m-b-sm')
    name = await name_tag.text_content() if name_tag else None

    cover_tag = await page.query_selector('img.cover')
    cover = await cover_tag.get_attribute('src') if cover_tag else None

    category_tags = await page.query_selector_all('div.categories > button > span')
    categories = [await category.text_content() for category in category_tags] if category_tags else []

    score_tag = await page.query_selector('p.score')
    score = await score_tag.text_content().strip() if score_tag else None

    drama_tag = await page.query_selector('div.drama > p')
    drama = await drama_tag.text_content().strip() if drama_tag else None

    return {
        'name': name,
        'cover': cover,
        'categories': categories,
        'drama': drama,
        'score': score
    }

• 使用 CSS 选择器提取以下内容：
  • 标题：h2.m-b-sm。
  • 封面图片链接：img.cover。
  • 分类：div.categories > button > span。
  • 评分：p.score。
  • 简介：div.drama > p。
• 每个字段都有空值检查，避免因元素缺失导致错误。

7. 数据存储

async def save_data(data):
    data_path = '{0}/movies_selector_async.txt'.format(RESULT_DIR)
    with open(data_path, 'w', encoding='utf-8') as file:
        name = data.get('name', None)
        cover = data.get('cover', None)
        categories = data.get('categories', None)
        drama = data.get('drama', None)
        score = data.get('score', None)

        file.write('name:'+name+'\n')
        file.write('cover:'+cover+'\n')
        file.write('categories:'+str(categories)+'\n')
        file.write('drama:'+drama+'\n')
        file.write('score:'+score+'\n')
        file.write('='*50 + '\n')

• 数据格式化后写入文件，采用 key:value 格式，并用分隔线分隔。

8. 主函数

async def main():
    logging.info("开始采集")
    playwright = await async_playwright().start()
    browser = await playwright.chromium.launch(headless=True)
    context = await browser.new_context()
    page_1 = await context.new_page()
    page_num = 3
    flag = 0

    for i in range(1, page_num):
        url = "https://spa6.scrape.center/page/"+str(i)
        await page_1.goto(url)
        await page_1.wait_for_load_state('networkidle')
        elements = await page_1.query_selector_all('div.el-card.item.m-t.is-hover-shadow')

        page_2 = await context.new_page()
        for element in elements:
            logging.info("子页面采集开始")
            tag_a = await element.query_selector('a')
            detail_url = 'https://spa6.scrape.center' + await tag_a.get_attribute('href')
            await scrape_detail(page_2, detail_url)
            data = await parse_detail(page_2)
            logging.info('get data: %s', data)
            await save_data(data)
            logging.info("子页面采集结束")
            flag = flag+1

    logging.info("全部数据采集结束,共:{}条".format(flag))
    await browser.close()

• 打开浏览器并创建上下文与页面。
• 遍历分页，提取每页的所有详情链接并依次访问。
• 调用解析函数提取数据并保存。