golang使用chrome headless擷取網頁内容

如今動态渲染的頁面越來越多，爬蟲們或多或少都需要用到headless browser來渲染待爬取的頁面。

而最近廣泛使用的headless browser解決方案PhantomJS已經宣布不再繼續維護，轉而推薦使用headless chrome。

那麼headless chrome究竟是什麼呢，Headless Chrome 是 Chrome 浏覽器的無界面形态，可以在不打開浏覽器的前提下，使用所有 Chrome 支援的特性運作你的程式。

簡而言之，除了沒有圖形界面，headless chrome具有所有現代浏覽器的特性，可以像在其他現代浏覽器裡一樣渲染目标網頁，并能進行網頁截圖，擷取cookie，擷取html等操作。

詳細資訊可以在這擷取：https://developers.google.cn/web/updates/2017/04/headless-chrome

有關headless chrome如何使用網上有許多不錯的文章，這裡就不重複了。

想要在golang程式裡使用headless chrome，需要借助一些開源庫，實作和headless chrome互動的庫有很多，這裡選擇chromedp，接口和Selenium類似，易上手。

安裝：

go get -u github.com/chromedp/chromedp      

引入：

import (
	"github.com/chromedp/chromedp"
        // runner用于配置headless chrome
	"github.com/chromedp/chromedp/runner" // 新版本中不需要再導入這個包了
)
      

　　

建立headless chrome執行個體，每一個執行個體就相當于一個浏覽器，可以用它浏覽、調試網頁内容，預設情況下chromedp會直接啟動帶GUI的chrome，是以需要使用runner啟動headless chrome。預設端口為9222，可以自定義。

需要注意，chromedp在0.1.4版本中對api進行了較大的改動，是以接下來的示例中我會給出新api的用法，同時保留0.1.3及以前版本适用的例子。

// NewHeadless 建立headless chrome執行個體
// chromedp内部有自己的逾時設定，你也可以通過ctx來設定更短的逾時
func NewHeadless(ctx context.Context, starturl string) (*chromedp.CDP, error) {
	// runner.Flag設定啟動headless chrome時的指令行參數
        // runner.URL設定啟動時打開的URL
        // Windows使用者需要設定runner.Flag("disable-gpu", true)，具體資訊參見文檔的FAQ
        run, err := runner.New(runner.Flag("headless", true),
		runner.URL(starturl))

	if err != nil {
		return nil, err
	}

        // run.Start啟動執行個體
	err = run.Start(ctx)
	if err != nil {
		return nil, err
	}

        // 預設情況chromedp會輸出大量log，因為是示例是以選擇屏蔽，dropChromeLogs為自定義函數，形式為func(string, ...interface{}){}
        // 使用runner初始化chromedp執行個體
        // 執行個體在使用完畢後需要調用c.Shutdown()來釋放資源
	c, err := chromedp.New(ctx, chromedp.WithRunner(run), chromedp.WithErrorf(dropChromeLogs))
	if err != nil {
		return nil, err
	}

	return c, nil
}      

ctx, cancel := context.WithCancel(context.Background())
defer cancel()
cdp := NewHeadless(ctx, "www.cnblogs.com")      

下面是0.1.4版本的api：

// 新版本中取消了cdp，将broeser對象和context合并在一起，友善了我們的操作
func NewHeadless() (context.Context, context.CancelFunc) {
    opts := make([]chromedp.ExecAllocatorOption, 0)
    opts = append(opts, chromedp.ProxyServer("http://127.0.0.1:8118"))
    opts = append(opts, chromedp.Flag("headless", true))
    allocator, cancel := chromedp.NewAllocator(context.Background(), chromedp.WithExecAllocator(opts...))
    return allocator, cancel
}

ctxt, cancel1 := NewHeadless()
defer cance1l()
c, cancel2 := chromedp.NewContext(ctxt)
defer cancel2()      

新版本中不會輸出多餘的log，同時也會預設啟用headless模式。

如果你需要在新版本的chromedp啟動執行個體時指定一個url，你可以這樣做：

broswer := chromedp.NewBroswer(c, startURL)
chromedp.FromContext(c).Browser = browser      

執行個體啟動後我們就能通過這個執行個體來通路你想爬取的URL了。

chromedp的執行個體類型為*chromedp.CDP，它擁有一個func (c *CDP) Run(ctxt context.Context, a Action) error 方法來執行所有的操作。

在新版本中chromedp通過Run方法執行所有操作，chromedp.CDP對象被chrome.Context取代，其原型為func Run(ctx context.Context, actions ...Action) error

Action是chromedp的api傳回的對象，代表對headless chrome的一個操作，多個操作可以放入chromedp.Tasks裡，它是一個元素為Action的slice，也可以作為Run的參數調用。

下面是部分常用的api：

// chromedp.Sleep使headless chrome睡眠d表示的時間長度
func Sleep(d time.Duration) Action

// chromedp.Navigate使浏覽器通路參數給出的URL
func Navigate(urlstr string) Action

// chromedp.SendKeys向指定的html元素内輸入内容
// sel是選擇器字元串或是選擇器要求的資料類型
// opts指定使用何種選擇器
// 常用的選擇器有:
// chromedp.ByID：根據id來選擇元素
// chromedp.ByQuery：根據DOM.querySelector的規則選擇元素
func SendKeys(sel interface{}, v string, opts ...QueryOption) Action

// chromedp.Submit将指定的元素（通常是form）送出
func Submit(sel interface{}, opts ...QueryOption) Action

// chromedp.WaitReady等待指定元素加載完畢
func WaitReady(sel interface{}, opts ...QueryOption) Action

// chromedp.Click在指定元素上觸發滑鼠點選事件
func Click(sel interface{}, opts ...QueryOption) Action

// chromedp.OuterHTML擷取指定元素的HTML代碼（包括其子元素）
// html參數用于存放傳回的HTML
func OuterHTML(sel interface{}, html *string, opts ...QueryOption) Action
      

一個擷取頁面内容的小例子，更多例子在 https://github.com/chromedp/examples

// 擷取服務清單
func GetServiceList(res *string) chromedp.Tasks {
	return chromedp.Tasks{
		// 通路服務清單
		chromedp.Navigate(ServiceListURL),
		// 等待直到body加載完畢
		chromedp.WaitReady("servicesList", chromedp.ByID),
		// 選擇顯示可用服務
		chromedp.Click("statusActive", chromedp.ByID),
                // 等待清單渲染
		chromedp.Sleep(2 * time.Second),
		// 擷取擷取服務清單HTML
		chromedp.OuterHTML("#servicesList table", res, chromedp.ByQuery),
	}
}

var html string
// cdp是chromedp執行個體
// ctx是建立cdp時使用的context.Context
err := cdp.Run(ctx, GetServiceList(&html) )
if err != nil {
    // 錯誤處理
}

// 成功取得HTML内容進行後續處理
fmt.Println(html)      

新版本的示例：

var html string
// ctxt是chromedp的執行個體，用于執行網頁操作
err := chromedp,Run(ctxt, GetServiceList(&html))
if err != nil {
    // error handle
}

// 成功取得資料
fmt.Println(html)      

另外新版本中關閉chrome執行個體的方式也有所不同：

// 釋放所有資源，并等待釋放結束
cancel2()
// 官方給的是chromedp,FromContext(ctxt).Wait()，但是目前沒有實作Wait方法
// 是以你可以像這樣
chromedp.FromContext(ctxt).Broswer.Shutdown()
chromedp.FromContext(ctxt).Allocator,Wait()      

因為目前新版本還很不穩定，是以推薦使用0.1.3版本。

至此golang通過chromedp(https://github.com/chromedp/chromedp)使用headless chrome進行動态網頁的渲染和操作就介紹完了。

希望這篇文章能給你帶來幫助，如有錯誤之處，歡迎交流指正。