from selenium import webdriver
import time
firefox = webdriver.Firefox() #初始化Firefox浏览器
url = 'https://www.zhihu.com'
firefox.get(url) #调用get方法抓取
time.sleep(10) #10s用于观察
with open('zhihu.html','w',encoding='utf-8') as f:
f.write(firefox.page_source) #保存网页到本地
firefox.quit()
上图为调用Firefox获得的网页。使用page_source可以获得网页源代码,就和requests.get是一样的,不用加headers之类的。
简单说,就是使用selenium修改浏览器相关参数,让浏览器不加载JS、不加载图片,会提高很多速度。代码如下:
from selenium import webdriver
import time
firefox_profile = webdriver.FirefoxProfile()
firefox_profile.set_preference("permissions.default.stylesheet",2) #禁用样式表文件
firefox_profile.set_preference("permissions.default.image",2) #不加载图片
firefox_profile.set_preference("javascript.enabled",False) #禁止JS
firefox_profile.update_preferences() #更新设置
firefox = webdriver.Firefox(firefox_profile)
url = 'https://www.zhihu.com'
print("开始加载")
t_start = time.time()
firefox.get(url)
t_end = time.time()
print("加载时间是:",t_end-t_start)
time.sleep(10)
firefox.quit()
加载网页如下
firefox_profile.set_preference("permissions.default.stylesheet",1)
firefox_profile.set_preference("permissions.default.image",1)
firefox_profile.set_preference("javascript.enabled",True)
把2改为1,False改为True,看看
返回正常网页
4s与10s的差别,在爬取多网页就会有体现了。
注意,页面加载与实际网络环境有关。
禁用JS,页面加载是否更快,可以在每种方式下运行相同的次数,然后取平均值来对比。
绘图使用matplotlib
from selenium import webdriver
import time
import matplotlib.pyplot as plt
def performance(n,css_val,image_val,js_val):
loading_time = []
for i in range(0,n):
firefox_profile = webdriver.FirefoxProfile()
firefox_profile.set_preference("permissions.default.stylesheet",css_val)
firefox_profile.set_preference("permissions.default.image",image_val)
firefox_profile.set_preference("javascript.enabled",js_val)
firefox_profile.update_preferences()
firefox = webdriver.Firefox(firefox_profile)
url = 'https://zhangslob.github.io/'
print("开始加载")
t_start = time.time()
firefox.get(url)
t_end = time.time()
print("加载时间是:",t_end-t_start)
loading_time.append(t_end-t_start)
print('=========================')
#time.sleep(10)
firefox.quit()
return [x for x in range(1,n+1)],loading_time
if __name__ == '__main__':
x1_lst,y1_lst = performance(10,1,1,True)
x2_lst,y2_lst = performance(10,2,2,False)
ava_y1 = sum(y1_lst)/len(x1_lst)
ava_y2 = sum(y2_lst)/len(x2_lst)
plt.title("Compare loading time")
plt.xlabel("Test number")
plt.ylabel("Loading time")
plt.plot(x1_lst,y1_lst,'go:',label=str(ava_y1))
plt.plot(x2_lst,y2_lst,'rs:',label=str(ava_y2))
plt.legend()
plt.show()
我把网址换成了我的博客:崔斯特的博客(zhangslob.github.io/),这样更符合实际。
绿色的线是正常网页,红色是修改后的
为了确保准确,换成别的网址测试一下,可是为什么会这样?
为什么禁用JS、不加载图片,时间和原来相比差别不大?