python爬虫 requests-html的使用

# 官网解释
'''
This library intends to make parsing HTML (e.g. scraping the web) as simple and intuitive as possible.
If you're interested in financially supporting Kenneth Reitz open source, consider visiting this link. Your support helps tremendously with sustainability of motivation, as Open Source is no longer part of my day job.
When using this library you automatically get:

Full JavaScript support!
CSS Selectors (a.k.a jQuery-style, thanks to PyQuery).
XPath Selectors, for the faint at heart.
Mocked user-agent (like a real web browser).
Automatic following of redirects.
Connection–pooling and cookie persistence.
The Requests experience you know and love, with magical parsing abilities.
Async Support
'''

# pip3 install requests-html

import requests
from bs4 import BeautifulSoup
url = 'http://www.zuihaodaxue.cn/'
HEADERS = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
}
response = requests.get(url, headers=HEADERS)
response.encoding = 'gbk'
# print(response.status_code)
 print(response.text)

soup = BeautifulSoup(response.text, 'lxml')
# 获取最新的五则新闻
post_rankings = soup.find_all(name='article', attrs={"class": "post_ranking"})
# 循环打印新闻简介内容
for post_ranking in post_rankings:
new = post_ranking.find(name='div', attrs={"class": 'post_summary'})
print(new.text)

from requests_html import HTMLSession
# 获取请求对象
session = HTMLSession()
# 往新浪新闻主页发送get请求
sina = session.get('https://news.sina.com.cn/')
# print(sina.status_code)
sina.encoding = 'utf-8'
# 获取响应文本信息，与requests无区别
 print(sina.text)

from requests_html import HTMLSession
# 获取请求对象
session = HTMLSession()
# 往京东主页发送get请求
jd = session.get('https://jd.com/')
# 得到京东主页所有的链接，返回的是一个set集合
print(jd.html.links)
print('*' * 1000)
# 若获取的链接中有相对路径，我们还可以通过absolute_links获取所有绝对链接
print(jd.html.absolute_links)

'''
　　CSS选择器 and XPATH
 　　1.通过css选择器选取一个Element对象
 　　2.获取一个Element对象内的文本内容
 　　3.获取一个Element对象的所有attributes
 　　 4.渲染出一个Element对象的HTML内容
 　　5.获取Element对象内的特定子Element对象，返回列表
 　　6.在获取的页面中通过search查找文本
 　　 7.支持XPath
 　　 8.获取到只包含某些文本的Element对象
'''

from requests_html import HTMLSession
session = HTMLSession()
url = "https://www.qiushibaike.com/text/"
# 获取响应数据对象
obj = session.get(url)
# 1.通过css选择器选取一个Element对象
 获取id为content-left的div标签，并且返回一个对象
content = obj.html.find('div#content-left', first=True)
# 2.获取一个Element对象内的文本内容
 获取content内所有文本
print(content.text)
# 3.获取一个Element对象的所有attributes
 获取content内所有属性
print(content.attrs)
# 4.渲染出一个Element对象的完整的HTML内容
html = content.html
print(html)
# 5.获取Element对象内的指定的所有子Element对象，返回列表
a_s = content.find('a')
print(a_s)
print(len(a_s)) # 79
# 循环所有的a标签
for a in a_s:
# 获取a标签内所有属性的href属性 并拼接
href = a.attrs['href']
if href.startswith('/'):
url = 'https://www.qiushibaike.com' + href
print(url)
# 6.在获取的页面中通过search查找文本
 {}大括号相当于正则的从头到后开始匹配，获取当中想要获取的数据
text = obj.html.search('把{}夹')[0] # 获取从 "把" 到 "夹" 字的所有内容
text = obj.html.search('把糗事{}夹')[0] # 获取从把子到夹字的所有内容
print(text)
print('*' * 1000)
# 7.支持XPath
a_s = obj.html.xpath('//a') # 获取html内所有的a标签
for a in a_s:
href = a.attrs['href']
#若是//开头的url都扔掉
if href.startswith('continue#若是/开头的都是相对路径)
 elif href.startswith('/')
 print('https://www.qiushibaike.com'+href)

# 8.获取到只包含某些文本的Element对象（containing）
 获取所有文本内容为幽默笑话大全_爆笑笑话_笑破你的肚子的搞笑段子 - 糗事百科 title标签
 注意: 文本内有空格也必须把空格带上
title = obj.html.find('title', containing='幽默笑话大全_爆笑笑话_笑破你的肚子的搞笑段子 - 糗事百科')
print(title)

from requests_html import HTMLSession
session = HTMLSession()
url = 'http://www.win4000.com/'
obj = session.get(url)
obj.encoding = 'utf-8'
obj.html.render()

# 找到自己的操作系统相应的配置位置
'''
chromiumExecutable = {
'linux': DOWNLOADS_FOLDER / REVISION / 'chrome-linux' / 'chrome',
'mac': (DOWNLOADS_FOLDER / REVISION / 'chrome-mac' / 'Chromium.app' /
'Contents' / 'MacOS' / 'Chromium'),
'win32': DOWNLOADS_FOLDER / REVISION / 'chrome-win32' / 'chrome.exe',
'win64': DOWNLOADS_FOLDER / REVISION / 'chrome-win32' / 'chrome.exe',
}
'''
from pyppeteer import __chromium_revision__, __pyppeteer_home__
DOWNLOADS_FOLDER = Path(pyppeteer_home) / 'local-chromium'
REVISION = os.environ.get('PYPPETEER_CHROMIUM_REVISION', chromium_revision)
# 打印这两个变量可以知道执行的驱动具体位置
print(DOWNLOADS_FOLDER)
print(REVISION)
'''
由上面可以知道：chromium路径是：C:\Users\Ray\AppData\Local\pyppeteer\pyppeteer\local-chromium\575458\chrome-win32\chrome.exe
所以自己建文件夹，然后一直到chrome-win32文件夹，把上面下载的chromium文件，拷贝到此目录下
'''

from requests_html import HTMLSession
# pprint可以把数据打印得更整齐
from pprint import pprint
import json
get_url = 'http://httpbin.org/get'
session = HTMLSession()
# 返回的是当前系统的headers信息
res = session.get(get_url)
pprint(json.loads(res.html.html))
# 可以在发送请求的时候更换user-agent
ua = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:62.0) Gecko/20100101 Firefox/62.0'
post_url = 'http://httpbin.org/get'
res = session.get(post_url, headers={'user-agent': ua})
pprint(json.loads(res.html.html))# 如果你有需要可以在header中修改其他参数。

# 表单登录
r = session.post('http://httpbin.org/post', data={'username': 'tank_jam', 'password': 'tank9527'})
pprint(json.loads(r.html.html))
''' # 打印结果
{'args': {},
 'data': '',
 'files': {},
 'form': {'password': 'tank9527', 'username': 'tank_jam'},
 'headers': {'Accept': '*/*',
    'Accept-Encoding': 'gzip, deflate',
    'Content-Length': '35',
    'Content-Type': 'application/x-www-form-urlencoded',
    'Host': 'httpbin.org',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) '
       'AppleWebKit/603.3.8 (KHTML, like Gecko) '
       'Version/10.1.2 Safari/603.3.8'},
 'json': None,
 'origin': '112.65.61.109, 112.65.61.109',
 'url': 'https://httpbin.org/post'}
'''

from requests_html import AsyncHTMLSession
from requests_html import HTMLSession
import time
# 使用异步发送请求
async_session = AsyncHTMLSession()
async def get_baidu():
url = 'https://www.baidu.com/'
res = await async_session.get(url)
print(res.html.absolute_links)
async def get_sougou():
url = 'https://www.sogou.com/'
res = await async_session.get(url)
print(res.html.links)
start_time = time.time()
async_session.run(get_baidu, get_sougou)
print('耗时：', time.time() - start_time)
# 同步发送请求
session = HTMLSession()
start_time = time.time()
res = session.get('https://www.baidu.com/')
print(res.html.links)
res = session.get('https://www.sogou.com/')
print(res.html.absolute_links)
print('耗时：', time.time() - start_time)

 from requests_html import HTMLSession
 session = HTMLSession()
 "htmlcode">

class HTMLSession(requests.Session):
  # 重写 request 方法，返回 HTMLResponse 构造
  def request(self, *args, **kwargs) -> HTMLResponse:
   r = super(HTMLSession, self).request(*args, **kwargs)
   return HTMLResponse._from_response(r, self)




 class HTMLResponse(requests.Response):
 # 构造器
  @classmethod
  def _from_response(cls, response, session: Union['HTMLSession', 'AsyncHTMLSession']):
   html_r = cls(session=session)
   html_r.__dict__.update(response.__dict__)
   return html_r


之后在 HTMLResponse 里定义属性方法 html，就可以通过 html 属性访问了,实现也就是组装 PyQuery 来干。核心的解析类也大多是使用 PyQuery 和 lxml 来做解析，简化了名称，挺讨巧的。
3. 元素定位
元素定位可以选择两种方式：
css 选择器

  
css选择器
  
xpath



 # css 获取有多少个职位
 jobs = r.html.find("h1.call-to-action")
 # xpath 获取
 jobs = r.html.xpath("//h1[@class='call-to-action']")


方法名非常简单，符合 Python 优雅的风格，这里不妨对这两种方式简单的说明：
4. CSS 简单规则

  
标签名 h1
  
id 使用 #id 表示
  
class 使用 .class_name 表示
  
谓语表示：h1[prop=value]

5. Xpath简单规则

  
路径 // 或者 /
  
标签名
  
谓语 [@prop=value]
  
轴定位 名称::元素名[谓语]

定位到元素以后势必要获取元素里面的内容和属性相关数据，获取文本：


 jobs.text
 jobs.full_text


获取元素的属性：


 attrs = jobs.attrs
 value = attrs.get("key")


还可以通过模式来匹配对应的内容：


 ## 找某些内容匹配
 r.html.search("Python {}")
 r.html.search_all()


这个功能看起来比较鸡肋，可以深入研究优化一下，说不定能在 github 上混个提交。
6. 人性化操作
除了一些基础操作，这个库还提供了一些人性化的操作。比如一键获取网页的所有超链接，这对于整站爬虫应该是个福音，URL 管理比较方便：


 r.html.absolute_links
 r.html.links


内容页面通常都是分页的，一次抓取不了太多，这个库可以获取分页信息：


 print(r.html)
 # 比较一下
 for url in r.html:
  print(url)
 "htmlcode">

# print(r.html)
 <HTML url='https://www.python.org/jobs/'>
 # for
 <HTML url='https://www.python.org/jobs/'>
 <HTML url='https://www.python.org/jobs/"htmlcode">

 def get_next():
 candidates = self.find('a', containing=next_symbol)
 "htmlcode">

r.html.render()


第一次使用的时候会下载 Chromium，不过国内你懂的，自己想办法去下吧，就不要等它自己下载了。render 函数可以使用 js 脚本来操作页面，滚动操作单独做了参数。这对于上拉加载等新式页面是非常友好的。
8. 总结
Reitz 大神设计出来的东西还是一如既往的简单好用，自己不多做，大多用别人的东西组装，简化 api。真是够人性。不过有的地方还是优化空间，希望有兴趣和精力的童鞋去 github 上关注一下这个项目。

            
           
            上一篇：使用django自带的user做外键的方法

            下一篇：python 实现简易的记事本