Reuqests-html教程

Reuqests-html

requests 作者开发，集成 pyppeteer。

最近爬虫遇到的情况是，爬取的网站使用JavaScript渲染的，网站爬取的结果只有一堆JS代码。之前遇到这种情况的处理办法是用Splash(一般是配合Scrapy)，或者Selenium来爬取，介绍一下常用的模拟浏览器执行，来爬去js渲染页面的方法。

方法	介绍
Selenium	驱动Chrome、Firefox等浏览器爬取
Splinter	依赖于Selenium、Flask
Spynner	依赖于PyQt
pyppeteer	puppetter的Python版本
Splash	常与Scrapy配合使用
requests-html	requests作者开发，集成pyppeteer

安装

pip install requests-html

基本使用

支持的特性

个人感觉最大的特点就是完整的JavaScrapt支持和异步支持。因为Requests不支持异步，之前使用异步请求的时候使用的是aiohttp(链接)和Python中的协程(链接)配合使用。

• 完整的JavaScript支持
• CSS Selectors 选择
• XPath Selectors
• 模拟用户代理
• 自动跟踪链接重定向
• 链接池和cookie持久特性
• 异步支持

获取页面

非异步

之前解析库都是专门的模块支持，我们需要把网页下载下来，然后传给HTMl解析库，而Requests-html自带这个功能，在爬取页面十分方便。

from requests_html import HTMLSession
session = HTMLSession()
response = session.get('http://news.qq.com/')
print(response.html.html)	# 获取页面内容

异步获取

自带异步请求方法

from requests_html import AsyncHTMLSession
from requests_html import HTMLSession
session = HTMLSession()
asession = AsyncHTMLSession()
async def get_qq():
	r = await asession.get('http://news.qq.com/')
async def get_toutiao():
	r = await asession.get('https://www.toutiao.com/')
result = session.run(get_qq, get_toutiao)   # 目前下载的版本并没有该功能

获取链接

links和absolute_links两个属性分别返回HTML对象所包含的所有链接和绝对链接（均不包含锚点）：

response.html.links()
response.html.absolute_links()

获取元素

支持CSS和XPATH两种语法来选取HTML元素。

CSS选择器

    def find(self, selector: str = "*", *, containing: _Containing = None, clean: bool = False, first: bool = False, _encoding: str = None)

• selector：要用的CSS选择器
• clean：是否清理已发现的<script>和<style>标签的HTML。
• contaning：返回该属性文本的标签
• first：True 返回第一个元素，否则返回满足条件的元素列表。
• _encoding：编码格式

Xpath选择器

xpath(self, selector: str, *, clean: bool = False, first: bool = False, _encoding: str = None) 

• selector：要用的XPATH选择器
• clean：是否清理已发现的<script>和<style>标签的HTML。
• first：True 返回第一个元素，否则返回满足条件的元素列表。
• _encoding：编码格式

元素内容

from requests_html import HTMLSession
session = HTMLSession()
response = session.get('http://news.qq.com/')
print(response.html.xpath('//*[@id="subHot"]/h2/a/text()')[0])

from requests_html import HTMLSession
session = HTMLSession()
response = session.get('http://news.qq.com/')
# print(response.html.xpath('//*[@id="subHot"]/h2/a/text()')[0])
print(response.html.search('美国{}个人')[0])    # 在页面搜索文字

JavaScript支持

就是在HTML结果上调用一下render函数，它会在用户目录（默认是~/.pyppeteer/）中下载一个chromium，然后用它来执行JS代码。

from requests_html import HTMLSession
session = HTMLSession()
response = session.get('https://www.zhihu.com/topic/19552832/hot')
response.html.render()  # 不调用该方法无法获取标题
print(response.html.xpath('//*[@id="root"]/div/main/div/div[1]/div[1]/div[1]/div/div/div/div[2]/h2/div'))

render函数属性

def render(self, retries: int = 8, script: str = None, wait: float = 0.2, scrolldown=False, sleep: int = 0, reload: bool = True, timeout: Union[float, int] = 8.0, keep_page: bool = False):

• retries：加载页面失败的次数
• script：页面上需要执行的JS脚本
• wait：加载页面的等待时间，防止超时
• scrolldown：页面向下滚动的次数
• sleep：在页面渲染之后的等待时间
• reload：Flase页面不会从浏览器中加载，而是从内存中加载
• keep_page：True 允许你用r.html.page访问页面

爬取知乎页面，并且模拟下滑页面。

from requests_html import HTMLSession
session = HTMLSession()
response = session.get('https://www.zhihu.com/topic/19552832/hot')
response.html.render(scrolldown=4,sleep=5)
for name in response.html.xpath("//h2[@class='ContentItem-title']/a/text()"):
	print(name)

结果

如何用 Python 和 fast.ai 做图像深度迁移学习？
【Python】动手分析天猫内衣售卖数据，得到你想知道的信息！
60行代码爬取知乎神回复
【数据分析】手把手用Python教你分析运筹学薪资状况
我的python学习之路
Python中的格式化输出字符串
python中调用matlab
翻译 | 更快的Python（二）
[Pipeline] 在Anaconda下用Snakemake构建ChIP-seq流程（1）
数学推导+纯Python实现机器学习算法1：线性回归
什么人适合学习Django, 如何学习Django以及需要学习到什么程度可以找到工作?
Python入门向:Matplotlib自救指南篇，从此做图不求人(一)
Python系列——一笔画问题的算法研究
Python中的文件读写（二）
python 分析泰坦尼克号生还率
一个Tor代理绕过访问限制的典型案例
[ERROR] Snakemake的几个报错

异步请求

from requests_html import HTMLSession
session = HTMLSession()
response = session.get('https://www.zhihu.com/topic/19552832/hot')
await response.html.arender()

不带请求

from requests_html import HTML
doc = """<a href='https://httpbin.org'>"""
html = HTML(html=doc)
html.links
{'https://httpbin.org'}