requests-html如何在python爬蟲中使用

requests-html如何在python爬蟲中使用？相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

一 介紹

　　Python上有一個非常著名的HTTP庫——requests，相信大家都聽說過，用過的人都說非常爽！現在requests庫的作者又發布了一個新庫，叫做requests-html，看名字也能猜出來，這是一個解析HTML的庫，具備requests的功能以外，還新增了一些更加強大的功能，用起來比requests更爽！接下來我們來介紹一下它吧。

# 官網解釋
'''
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
'''

官網告訴我們，它比原來的requests模塊更加強大，并且為我們提供了一些新的功能!

• 支持JavaScript

• 支持CSS選擇器（又名jQuery風格, 感謝PyQuery）

• 支持Xpath選擇器

• 可自定義模擬User-Agent（模擬得更像真正的web瀏覽器）

• 自動追蹤重定向

• 連接池與cookie持久化

• 支持異步請求

二 安裝

　　安裝requests-html非常簡單，一行命令即可做到。需要注意一點就是，requests-html只支持Python 3.6或以上的版本，所以使用老版本的Python的同學需要更新一下Python版本了。

# pip3 install requests-html

三 如何使用requests-html？

　　在我們學爬蟲程序的時候用得最多的請求庫就是requests與urllib，但問題是這些包只給我們提供了如何去目標站點發送請求，然后獲取響應數據，接著再利用bs4或xpath解析庫才能提取我們需要的數據。

以往爬蟲的請求與解析

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')
# 獲取最新的五則新聞
post_rankings = soup.find_all(name='article', attrs={"class": "post_ranking"})
# 循環打印新聞簡介內容
for post_ranking in post_rankings:
new = post_ranking.find(name='div', attrs={"class": 'post_summary'})
print(new.text)

　　而在requests-html里面只需要一步就可以完成而且可以直接進行js渲染！requests的作者Kenneth Reitz 開發的requests-html 爬蟲包 是基于現有的框架 PyQuery、Requests、lxml、beautifulsoup4等庫進行了二次封裝，作者將Requests的簡單,便捷,強大又做了一次升級。

　　requests-html和其他解析HTML庫最大的不同點在于HTML解析庫一般都是專用的，所以我們需要用另一個HTTP庫先把網頁下載下來，然后傳給那些HTML解析庫。而requests-html自帶了這個功能，所以在爬取網頁等方面非常方便。　　

1、基本使用

from requests_html import HTMLSession
# 獲取請求對象
session = HTMLSession()
# 往新浪新聞主頁發送get請求
sina = session.get('https://news.sina.com.cn/')
# print(sina.status_code)
sina.encoding = 'utf-8'
# 獲取響應文本信息，與requests無區別
 print(sina.text)

2、獲取鏈接（links與abolute_links）

links返回的結果

absolute_links返回的結果

from requests_html import HTMLSession
# 獲取請求對象
session = HTMLSession()
# 往京東主頁發送get請求
jd = session.get('https://jd.com/')
# 得到京東主頁所有的鏈接，返回的是一個set集合
print(jd.html.links)
print('*' * 1000)
# 若獲取的鏈接中有相對路徑，我們還可以通過absolute_links獲取所有絕對鏈接
print(jd.html.absolute_links)

3、CSS選擇器與XPATH

　　request-html支持CSS選擇器和XPATH兩種語法來選取HTML元素。首先先來看看CSS選擇器語法，它需要使用HTML的find函數來查找元素。

'''
　　CSS選擇器 and XPATH
 　　1.通過css選擇器選取一個Element對象
 　　2.獲取一個Element對象內的文本內容
 　　3.獲取一個Element對象的所有attributes
 　　 4.渲染出一個Element對象的HTML內容
 　　5.獲取Element對象內的特定子Element對象，返回列表
 　　6.在獲取的頁面中通過search查找文本
 　　 7.支持XPath
 　　 8.獲取到只包含某些文本的Element對象
'''

from requests_html import HTMLSession
session = HTMLSession()
url = "https://www.qiushibaike.com/text/"
# 獲取響應數據對象
obj = session.get(url)
# 1.通過css選擇器選取一個Element對象
 獲取id為content-left的div標簽，并且返回一個對象
content = obj.html.find('div#content-left', first=True)
# 2.獲取一個Element對象內的文本內容
 獲取content內所有文本
print(content.text)
# 3.獲取一個Element對象的所有attributes
 獲取content內所有屬性
print(content.attrs)
# 4.渲染出一個Element對象的完整的HTML內容
html = content.html
print(html)
# 5.獲取Element對象內的指定的所有子Element對象，返回列表
a_s = content.find('a')
print(a_s)
print(len(a_s)) # 79
# 循環所有的a標簽
for a in a_s:
# 獲取a標簽內所有屬性的href屬性 并拼接
href = a.attrs['href']
if href.startswith('/'):
url = 'https://www.qiushibaike.com' + href
print(url)
# 6.在獲取的頁面中通過search查找文本
 {}大括號相當于正則的從頭到后開始匹配，獲取當中想要獲取的數據
text = obj.html.search('把{}夾')[0] # 獲取從 "把" 到 "夾" 字的所有內容
text = obj.html.search('把糗事{}夾')[0] # 獲取從把子到夾字的所有內容
print(text)
print('*' * 1000)
# 7.支持XPath
a_s = obj.html.xpath('//a') # 獲取html內所有的a標簽
for a in a_s:
href = a.attrs['href']
#若是//開頭的url都扔掉
if href.startswith('continue#若是/開頭的都是相對路徑)
 elif href.startswith('/')
 print('https://www.qiushibaike.com'+href)

# 8.獲取到只包含某些文本的Element對象（containing）
 獲取所有文本內容為幽默笑話大全_爆笑笑話_笑破你的肚子的搞笑段子 - 糗事百科 title標簽
 注意: 文本內有空格也必須把空格帶上
title = obj.html.find('title', containing='幽默笑話大全_爆笑笑話_笑破你的肚子的搞笑段子 - 糗事百科')
print(title)

四支持JavaScript

　　支持JavaScript是我覺得作者更新后最為牛逼的一個地方，但是需要在第一次執行render的時候下載chromeium，然后通過它來執行js代碼。

1、render的使用

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

　　注意：第一次運行render()方法時，它會將Chromium下載到您的主目錄中(例如~/.pyppeteer/)。這種情況只發生一次。

2、 下載Chromeium問題

　　因為是從國外的站點下載幾分鐘才3%，實在是太慢了。所以我們需要通過國內的鏡像去下載！需要做以下幾步:

手動下載Chrome

先去國內源下載自己需要的版本，地址：https://npm.taobao.org/mirrors/chromium-browser-snapshots/

修改chromeium_downloader.py文件

下載后之后解壓后，進入python安裝目錄下的\Lib\site-packages\pyppeteer目錄, 并打開chromium_downloader.py文件。

# 找到自己的操作系統相應的配置位置
'''
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)
# 打印這兩個變量可以知道執行的驅動具體位置
print(DOWNLOADS_FOLDER)
print(REVISION)
'''
由上面可以知道：chromium路徑是：C:\Users\Ray\AppData\Local\pyppeteer\pyppeteer\local-chromium\575458\chrome-win32\chrome.exe
所以自己建文件夾，然后一直到chrome-win32文件夾，把上面下載的chromium文件，拷貝到此目錄下
'''

五 自定義User-Agent

　　有些網站會使用User-Agent來識別客戶端類型，有時候需要偽造UA來實現某些操作。如果查看文檔的話會發現HTMLSession上的很多請求方法都有一個額外的參數**kwargs，這個參數用來向底層的請求傳遞額外參數。我們先向網站發送一個請求，看看返回的網站信息。

from requests_html import HTMLSession
# pprint可以把數據打印得更整齊
from pprint import pprint
import json
get_url = 'http://httpbin.org/get'
session = HTMLSession()
# 返回的是當前系統的headers信息
res = session.get(get_url)
pprint(json.loads(res.html.html))
# 可以在發送請求的時候更換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中修改其他參數。

六 模擬表單提交（POST）

　　HTMLSession封裝了一整套的HTTP方法，包括get、post、delete等, 對應HTTP中各個方法。

# 表單登錄
r = session.post('http://httpbin.org/post', data={'username': 'tank_jam', 'password': 'tank9527'})
pprint(json.loads(r.html.html))
''' # 打印結果
{'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'}
'''

七 支持異步請求

　　requests-html內部就封裝好了aynsc異步請求的功能，可以提高我們的爬蟲效率。

from requests_html import AsyncHTMLSession
from requests_html import HTMLSession
import time
# 使用異步發送請求
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('耗時：', time.time() - start_time)
# 同步發送請求
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('耗時：', time.time() - start_time)

1. 開始

Python 中可以進行網頁解析的庫有很多，常見的有 BeautifulSoup 和 lxml 等。在網上玩爬蟲的文章通常都是介紹 BeautifulSoup 這個庫，我平常也是常用這個庫，最近用 Xpath 用得比較多，使用 BeautifulSoup 就不大習慣，很久之前就知道 Reitz 大神出了一個叫 Requests-HTML 的庫，一直沒有興趣看，這回可算歹著機會用一下了。

使用 pip install requests-html安裝，上手和 Reitz 的其他庫一樣，輕松簡單：

 from requests_html import HTMLSession
 session = HTMLSession()
 
 r = session.get('https://www.python.org/jobs/')

這個庫是在 requests 庫上實現的，r 得到的結果是 Response 對象下面的一個子類，多個一個 html 的屬性。所以 requests 庫的響應對象可以進行什么操作，這個 r 也都可以。如果需要解析網頁，直接獲取響應對象的 html 屬性：

r.html

2. 原理

不得不膜拜 Reitz 大神太會組裝技術了。實際上 HTMLSession 是繼承自 requests.Session 這個核心類，然后將 requests.Session 類里的 requests 方法改寫，返回自己的一個 HTMLResponse 對象，這個類又是繼承自 requests.Response,只是多加了一個 _from_response 的方法來構造實例：

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

 class HTMLResponse(requests.Response):
 # 構造器
  @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 里定義屬性方法 html，就可以通過 html 屬性訪問了,實現也就是組裝 PyQuery 來干。核心的解析類也大多是使用 PyQuery 和 lxml 來做解析，簡化了名稱，挺討巧的。

3. 元素定位

元素定位可以選擇兩種方式：

css 選擇器

• css選擇器

• xpath

 # css 獲取有多少個職位
 jobs = r.html.find("h2.call-to-action")
 # xpath 獲取
 jobs = r.html.xpath("//h2[@class='call-to-action']")

方法名非常簡單，符合 Python 優雅的風格，這里不妨對這兩種方式簡單的說明：

4. CSS 簡單規則

• 標簽名 h2

• id 使用 #id 表示

• class 使用 .class_name 表示

• 謂語表示：h2[prop=value]

5. Xpath簡單規則

• 路徑 // 或者 /

• 標簽名

• 謂語 [@prop=value]

• 軸定位 名稱::元素名[謂語]

定位到元素以后勢必要獲取元素里面的內容和屬性相關數據，獲取文本：

 jobs.text
 jobs.full_text

獲取元素的屬性：

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

還可以通過模式來匹配對應的內容：

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

這個功能看起來比較雞肋，可以深入研究優化一下，說不定能在 github 上混個提交。

6. 人性化操作

除了一些基礎操作，這個庫還提供了一些人性化的操作。比如一鍵獲取網頁的所有超鏈接，這對于整站爬蟲應該是個福音，URL 管理比較方便：

 r.html.absolute_links
 r.html.links

內容頁面通常都是分頁的，一次抓取不了太多，這個庫可以獲取分頁信息：

 print(r.html)
 # 比較一下
 for url in r.html:
  print(url)

結果如下：

# 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/?page=2'>
 <HTML url='https://www.python.org/jobs/?page=3'>
 <HTML url='https://www.python.org/jobs/?page=4'>
 <HTML url='https://www.python.org/jobs/?page=5'>

通過迭代器實現了智能發現分頁，這個迭代器里面會用一個叫 _next 的方法，貼一段源碼感受下：

 def get_next():
 candidates = self.find('a', containing=next_symbol)
 
 for candidate in candidates:
 if candidate.attrs.get('href'):
 # Support 'next' rel (e.g. reddit).
 if 'next' in candidate.attrs.get('rel', []):
 return candidate.attrs['href']

通過查找 a 標簽里面是否含有指定的文本來判斷是不是有下一頁，通常我們的下一頁都會通過 下一頁 或者 加載更多 來引導，他就是利用這個標志來進行判斷。默認的以列表形式存在全局：['next', 'more', 'older']。我個人認為這種方式非常不靈活，幾乎沒有擴展性。感興趣的可以往 github 上提交代碼優化。

7. 加載 js

也許是考慮到了現在 js 的一些異步加載，這個庫支持 js 運行時，官方說明如下：

Reloads the response in Chromium, and replaces HTML contentwith an updated version, with JavaScript executed.

使用非常簡單，直接調用以下方法：

r.html.render()

第一次使用的時候會下載 Chromium，不過國內你懂的，自己想辦法去下吧，就不要等它自己下載了。render 函數可以使用 js 腳本來操作頁面，滾動操作單獨做了參數。這對于上拉加載等新式頁面是非常友好的。

看完上述內容，你們掌握 requests-html如何在python爬蟲中使用的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！