DrissionPage爬虫库简介

DrissionPage爬虫库提供了两种主要模式，分别为：

1. 浏览器操控模式（类似于游戏中的后台模拟鼠标键盘）

优点：

• 快速实现数据获取需求
• 相对简单易用

缺点：

• 执行效率较慢
• 可能存在不稳定性

2. 数据包收发模式（类似于游戏中的协议封包）

优点：

• 高效执行
• 可以绕过浏览器限制，自由获取数据

缺点：

• 需要耗费较多时间进行逆向分析

你可以单独使用其中一种模式，也可以交替使用两种模式。这正是我对它感兴趣的原因。有时候，我们只是想简单获取一些数据，而不愿花费时间分析数据包。关于如何安装DrissionPage库，这里直接跳过，请查阅作者网站的安装步骤。作者提供了详细的使用文档，但我觉得针对初学者的角度，有必要写一篇自己的学习总结。初学者需要根据自身的知识水平，制定适合自己的学习流程。通过实践，发现不熟悉的地方，再去学习。

---

实战中学习

需求：爬取Gitee开源项目的标题与描述

解决方案1：用数据包方式获取

F12分析数据包得出结论：

Get:
https://api.indexea.com/v1/search/widget/wjawvtmm7r5t25ms1u3d?query=1048&q=DrissionPage&from=0&size=20&sort_by_f=

Response:
{
  "took": 0,
  "hits": {
    "total": {
      "value": 13,
      "relation": "eq"
    },
    "max_score": 185.50804,
    "hits": [
      {
        "_index": 1027,
        "_id": "9101163",
        "_score": 185.50804,
        "fields": {
          "last_push_at": [
            "2024-05-14 17:08:51"
          ],
          "license": [
            "BSD-3-Clause"
          ],
          "fork": [
            0
          ],
          "count.fork": [
            842
          ],
          "description": [
            "基于python的网页自动化工具。既能控制浏览器，也能收发数据包。可兼顾浏览器自动化的便利性和requests的高效率。功能强大，内置无数人性化设计和便捷功能。语法简洁而优雅，代码量少。"
          ],
          "recomm": [
            2
          ],
          "langs": [
            "Python"
          ],
          "count.star": [
            4030
          ],
          "id": [
            9101163
          ],
          "title": [
            "g1879/DrissionPage"
          ],
          "url": [
            "https://gitee.com/g1879/DrissionPage"
          ]
        }
      },
      {
        "_index": 1027,
        "_id": "27108495",
        "_score": 7.674755,
        "fields": {
          "last_push_at": [
            "2024-01-08 20:34:25"
          ],
          "fork": [
            0
          ],
          "count.fork": [
            11
          ],
          "description": [
            "DrissionPage的文档"
          ],
          "recomm": [
            0
          ],
          "langs": [
            "HTML",
            "JavaScript"
          ],
          "count.star": [
            12
          ],
          "id": [
            27108495
          ],
          "title": [
            "g1879/Docs32"
          ],
          "url": [
            "https://gitee.com/g1879/Docs32"
          ]
        }
      }
    ]
  },
  "suggest": {
    "name": [
      {
        "text": "drissionpage",
        "offset": 0,
        "length": 12,
        "options": []
      }
    ]
  },
  "cache": 1716708583505,
  "action": "20240526162838_cdffgkei6kksr7o69ezazp1vgh"
}

返回的 JSON 代码已进行了简化，去除了一些数组成员，但这不会影响我们的分析。由于之前对 Python 中的 JSON 解析语法一无所知，因此需要进行一次关于 JSON 解析的知识弥补，这将为下一篇文章提供基础：如何在 Python 中解析 JSON 数据。
直接上代码：

from DrissionPage import SessionPage
import json

# 创建页面对象
page = SessionPage()

page.get(f'https://api.indexea.com/v1/search/widget/wjawvtmm7r5t25ms1u3d?query=1048&q=DrissionPage&from=0&size=20&sort_by_f=')
data  = page.json
hits = data['hits']['hits']
for hit in hits:
    if 'title' in hit['fields']:
        print(hit['fields']['title'][0])
    if 'description' in hit['fields']:
        print(hit['fields']['description'][0])
    print()

解决方案2：用操控浏览器方式获取

代码：

from DrissionPage import WebPage

# 创建页面对象
page = WebPage()
# 访问网址
page.get('https://gitee.com/explore')
# 查找文本框元素并输入关键词
page('#q').input('DrissionPage')
# 点击搜索按钮
page('tag:button@class=ui orange button').click()
# 等待页面加载
page.wait.load_start()
# 获取所有行元素
items = page.eles('.card-body')
for item in items:
    print(item.ele('.title').text)
    print(item.ele('.col-12 outline text-secondary').text)
    print()

最烦人的部分是元素的查找、操作和定位等操作，这启发了我写第三篇文章的想法：如何充分利用 DrissionPage 中的元素操控功能。