如何通过chrome远程调试获取网页资源内容

Question

我想通过Chrome调试协议使用python获取网页资源内容，从这个页面method-getResourceContent，我注意到这个方法：getResourceContent，需要参数frameId和url。我认为这个方法是我需要的。 所以我做了这件事：

1.get start chrome 作为服务器：.\chrome.exe --remote-debugging-port=9222

2.编写python测试代码：

# coding=utf-8
"""
chrome --remote-debugging api test
"""

import json
import requests
import websocket

import pdb

def send():
    geturl = requests.get('http://localhost:9222/json')
    websocketURL = json.loads(geturl.content)[0]['webSocketDebuggerUrl']
    request = {}
    request['id'] = 1
    request['method'] = 'Page.navigate'
    request['params'] = {"url": 'http://global.bing.com'}
    ws = websocket.create_connection(websocketURL)
    ws.send(json.dumps(request))
    res = ws.recv()
    ws.close()
    print res

    frameId = json.loads(res)['result']['frameId']
    print frameId
    geturl = requests.get('http://localhost:9222/json')
    websocketURL = json.loads(geturl.content)[0]['webSocketDebuggerUrl']
    req = {}
    req['id'] = 1
    req['method'] = 'Page.getResourceContent'
    req['params'] = {"frameId":frameId,"url": 'http://global.bing.com'}
    header = ["User-Agent: Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"]
    pdb.set_trace()
    ws = websocket.create_connection(websocketURL,header=header)
    ws.send(json.dumps(req))
    ress = ws.recv()
    ws.close()
    print ress
if __name__ == '__main__':
    send()

3.Page.navigate 工作正常，我得到了这样的东西： {"id":1,"result":{"frameId":"8504.2"}}

4.当我尝试方法时：getResourceContent，错误出来了： {"error":{"code":-32000,"message":"代理未启用。"},"id":1}

我尝试添加User-Agent，还是不行。

谢谢。

Answer 1

错误消息“代理未启用”与 HTTP User-Agent 标头无关，而是指 chrome 中需要启用才能检索页面内容的代理。

术语“代理”有点误导，因为protocol documentation 谈到需要启用才能调试它们的域（术语“代理”指的是在 Chrome 内部实现的方式，我想）

那么，问题是需要启用哪个域才能访问页面内容？事后看来，这很明显：Page 域需要启用，因为我们正在调用该域中的方法。不过，我是在偶然发现this example 之后才发现的。

一旦我将Page.enable 请求添加到脚本以激活Page 域，错误消息就消失了。但是，我遇到了另外两个问题：

1. websockets 连接需要在请求之间保持打开状态，因为 Chrome 会在调用之间保持某些状态（例如是否启用代理）
2. 当导航到 http://global.bing.com/ 时，浏览器被重定向到 http://www.bing.com/（至少它是在我的电脑上）。这会导致 Page.getResourceContent 无法检索资源，因为请求的资源 http://global.bing.com/ 不可用。

修复这些问题后，我能够检索页面内容。这是我的代码：

# coding=utf-8
"""
chrome --remote-debugging api test
"""

import json
import requests
import websocket

def send():
    # Setup websocket connection:
    geturl = requests.get('http://localhost:9222/json')
    websocketURL = json.loads(geturl.content)[0]['webSocketDebuggerUrl']
    ws = websocket.create_connection(websocketURL)

    # Navigate to global.bing.com:
    request = {}
    request['id'] = 1
    request['method'] = 'Page.navigate'
    request['params'] = {"url": 'http://global.bing.com'}
    ws.send(json.dumps(request))
    result = ws.recv()
    print "Page.navigate: ", result
    frameId = json.loads(result)['result']['frameId']

    # Enable page agent:
    request = {}
    request['id'] = 1
    request['method'] = 'Page.enable'
    request['params'] = {}
    ws.send(json.dumps(request))
    print 'Page.enable: ', ws.recv()

    # Retrieve resource contents:
    request = {}
    request['id'] = 1
    request['method'] = 'Page.getResourceContent'
    request['params'] = {"frameId": frameId, "url": 'http://www.bing.com'}
    ws.send(json.dumps(request))
    result = ws.recv()
    print("Page.getResourceContent: ", result)

    # Close websocket connection
    ws.close()

if __name__ == '__main__':
    send()