用于 GAE 的 Python 无头浏览器

Question

我正在尝试在 Google Appengine 上将 Angular.js 客户端与 webapp2 一起使用。

为了解决 SEO 问题，我们的想法是使用无头浏览器来运行 javascript 服务器端并将生成的 html 提供给爬虫。

有没有在谷歌应用引擎上运行的 Python 无头浏览器？

Answer 1

这是一个超级元的想法。 Web 服务器使用无头 Web 浏览器来完成 Web 请求以呈现页面并返回结果。唷。

查看以下关于无头浏览器的答案，特别注意基于 Python 的浏览器。

无头浏览器问题：headless internet browser?

看起来支持 Javascript 的都使用 WebKit 并且需要 PyQt 或 Pyside。这意味着由于存在运行时限制，您将无法在 App Engine 上运行它们。

出于 SEO 的目的，我建议您进行某种用户代理检测，并使用 Jinja2 模板或其他东西发出您页面的超级缩小版本。无论如何，您可能会获得更好的性能。

Answer 2

现在可以使用自定义运行时在 App Engine Flex 上完成，所以我添加了这个答案，因为这个问题是谷歌弹出的第一件事。

我将此自定义运行时基于我的其他 GAE flex 微服务，该微服务使用预构建的 python 运行时

项目结构：

webdrivers/
- geckodriver
app.yaml
Dockerfile
main.py
requirements.txt

app.yaml：

service: my-app-engine-service-name
runtime: custom
env: flex
entrypoint: gunicorn -b :$PORT main:app --timeout 180

Dockerfile：

FROM gcr.io/google-appengine/python
RUN apt-get update
RUN apt-get install -y xvfb
RUN apt-get install -y firefox
LABEL python_version=python
RUN virtualenv --no-download /env -p python
ENV VIRTUAL_ENV /env
ENV PATH /env/bin:$PATH
ADD requirements.txt /app/
RUN pip install -r requirements.txt
ADD . /app/
CMD exec gunicorn -b :$PORT main:app --timeout 180

requirements.txt：

Flask==0.12.2
gunicorn==19.7.1
selenium==3.13.0
pyvirtualdisplay==0.2.1

main.py

import os
import traceback

from flask import Flask, jsonify, Response
from selenium import webdriver
from pyvirtualdisplay import Display

app = Flask(__name__)

# Add the webdrivers to the path
os.environ['PATH'] += ':'+os.path.dirname(os.path.realpath(__file__))+"/webdrivers"

@app.route('/')
def hello():
    return 'Hello!!'

@app.route('/test/', methods=['GET'])
def go_headless():
    try:
        display = Display(visible=0, size=(1024, 768))
        display.start()
        d = webdriver.Firefox()
        d.get("http://www.python.org")    
        page_source = d.page_source.encode("utf-8")
        d.close()
        display.stop()
        return jsonify({'success': True, "result": page_source[:500]})
    except Exception as e:
        print traceback.format_exc()
        return jsonify({'success': False, 'msg': str(e)})

if __name__ == '__main__':
    app.run(host='127.0.0.1', port=8080, debug=True)

从这里下载 geckodriver (linux 64)：

https://github.com/mozilla/geckodriver/releases

其他说明：

• 请注意您使用的 geckodriver、firefox 和 selenium 版本，因为它可能是 finnickey，出现此错误WebDriverException: Message: Can't load the profile. Possible firefox version mismatch. You must use GeckoDriver instead for Firefox 48+. Profile Dir: /tmp/tmp 48P If you specified a log_file in the FirefoxBinary constructor, check it for details.
• 除非您使用的是旧版 geckodriver/firefox，否则不要设置 DesiredCapabilities().FIREFOX["marionette"] = False https://github.com/SeleniumHQ/selenium/issues/5106
• 需要display = Display(visible=0, size=(1024, 768)) 来修复此错误：How to fix Selenium WebDriverException: The browser appears to have exited before we could connect?

本地测试：

docker build . -t my-docker-image-tag
docker run -p 8080:8080 --name=my-docker-container-name my-docker-image-tag

部署到应用引擎：

gcloud app deploy app.yaml --version dev --project my-app-engine-project-id