Обработка JavaScript и мер против парсинга
Используйте Playwright/Selenium для содержимого, отрисованного JS, и ограничения частоты запросов.
«Обработка JavaScript и мер против парсинга» — бесплатный урок Python Academy на CoddyKit. Это урок 4 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Python Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Python Academy содержит 4 уроков всего.
Почему важен JavaScript
Современные сайты формируют содержимое с помощью JavaScript после загрузки страницы. Парсеры статического HTML, такие как requests и BS4, видят каркас страницы, а не сформированный DOM.
# Static scraper sees:
# <div id="app"></div>
# Rendered page has:
# <div id="app">
# <h1>Product List</h1>
# <ul>... dynamically loaded items ...</ul>
# </div>Playwright для Python
Playwright программно управляет настоящим браузером (Chromium, Firefox, WebKit). Он ожидает выполнения JavaScript, прежде чем извлекать содержимое.
# pip install playwright
# playwright install
import asyncio
from playwright.async_api import async_playwright
async def main():
async with async_playwright() as p:
browser = await p.chromium.launch()
page = await browser.new_page()
await page.goto("https://example.com")
title = await page.inner_text("h1")
print(title)
await browser.close()
asyncio.run(main())Ожидание элементов
Используйте page.wait_for_selector(), чтобы дождаться появления элемента в DOM перед извлечением данных.
from playwright.async_api import async_playwright
import asyncio
async def scrape():
async with async_playwright() as p:
browser = await p.chromium.launch()
page = await browser.new_page()
await page.goto("https://spa-example.com")
await page.wait_for_selector(".product-list")
items = await page.query_selector_all(".product-item")
texts = [await i.inner_text() for i in items]Selenium
Selenium — более старая библиотека для автоматизации браузера. Для новых проектов предпочтителен Playwright благодаря лучшей поддержке асинхронности и большей скорости.
# pip install selenium
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
driver = webdriver.Chrome()
driver.get("https://example.com")
elem = WebDriverWait(driver, 10).until(
EC.presence_of_element_located((By.CSS_SELECTOR, "h1"))
)
print(elem.text)
driver.quit()Безголовый режим
Запускайте браузеры в безголовом режиме, то есть без видимого окна, для парсинга на сервере.
from playwright.async_api import async_playwright
import asyncio
async def main():
async with async_playwright() as p:
browser = await p.chromium.launch(headless=True) # no window
page = await browser.new_page()
await page.goto("https://example.com")
html = await page.content()
await browser.close()Перехват сетевых запросов
Playwright может перехватывать и имитировать сетевые запросы, что удобно для блокировки рекламы и трекеров или прямого получения ответов API.
from playwright.async_api import async_playwright
import asyncio
async def main():
async with async_playwright() as p:
browser = await p.chromium.launch()
page = await browser.new_page()
await page.route("**/*.{png,jpg,css}", lambda route: route.abort())
await page.goto("https://example.com") # loads 3x fasterОграничение частоты и задержки
Имитируйте поведение человека: добавляйте случайные задержки между запросами и ограничивайте их частоту, чтобы не запускать системы защиты от ботов.
import time, random
def polite_scrape(urls):
for url in urls:
fetch(url)
time.sleep(random.uniform(1, 3)) # 1-3 s random delayСмена User-Agent
Меняйте строки User-Agent, чтобы избежать блокировки из-за стандартного UA парсера.
import requests, random
USER_AGENTS = [
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) ...",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) ...",
]
def fetch(url):
return requests.get(url, headers={"User-Agent": random.choice(USER_AGENTS)})Файлы cookie и сессии
Сохраняйте файлы cookie сессии, чтобы оставаться авторизованными в нескольких запросах. И requests Session, и Playwright обрабатывают файлы cookie автоматически.
import requests
with requests.Session() as s:
s.post("https://example.com/login", data={"user":"me","pass":"pw"})
# session cookie kept automatically:
dashboard = s.get("https://example.com/dashboard")CAPTCHA и юридические аспекты
CAPTCHA — это меры защиты от ботов. Их программное решение технически возможно (2captcha, anti-captcha), но связано с этическими и юридическими рисками. Перед парсингом всегда изучайте файл robots.txt и условия использования сайта.
# Before scraping:
# 1. Check robots.txt: https://example.com/robots.txt
# 2. Review the Terms of Service for "scraping" or "automated access" clauses
# 3. Only scrape public data
# 4. Honour Crawl-delay directives
# 5. Cache responses to avoid repeated hitsСнимки экрана и PDF в Playwright
Playwright может делать снимки экрана или печатать страницы в PDF — это полезно для визуального тестирования и архивирования.
from playwright.async_api import async_playwright
import asyncio
async def main():
async with async_playwright() as p:
browser = await p.chromium.launch()
page = await browser.new_page()
await page.goto("https://example.com")
await page.screenshot(path="page.png", full_page=True)
await page.pdf(path="page.pdf")
await browser.close()Быстрая проверка
Почему requests и BeautifulSoup не работают со многими современными сайтами?
Итоги
Используйте Playwright или Selenium для страниц, содержимое которых формируется с помощью JavaScript. Запускайте их в безголовом режиме на серверах. Добавляйте задержки и меняйте User-Agent, чтобы избежать блокировок. Перехватывайте сетевые запросы для блокировки трекеров. Всегда соблюдайте правила robots.txt и условия использования сайта.
Часто задаваемые вопросы
Урок «Обработка JavaScript и мер против парсинга» бесплатный?
Да — полный текст урока «Обработка JavaScript и мер против парсинга» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Python Academy, подпишись на CoddyKit PRO. Курс Python Academy содержит 4 уроков всего.
Чему я научусь в уроке «Обработка JavaScript и мер против парсинга»?
Используйте Playwright/Selenium для содержимого, отрисованного JS, и ограничения частоты запросов. Ты практикуешь Python Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Python Academy?
Предыдущий опыт не требуется. Python Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 4 из 4.
Сколько времени занимает урок «Обработка JavaScript и мер против парсинга»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Python Academy?
Да. Каждый урок Python Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- HTTP-запросы с requests и httpx
- Разбор HTML с помощью BeautifulSoup
- Создание паука Scrapy
- Обработка JavaScript и мер против парсинга