Python用requests-html爬取网页的实现_Python

1. 开始

Python 中可以进行网页解析的库有很多，常见的有 BeautifulSoup 和 lxml 等。在网上玩爬虫的文章通常都是介绍 BeautifulSoup 这个库，我平常也是常用这个库，最近用 Xpath 用得比较多，使用 BeautifulSoup 就不大习惯，很久之前就知道 Reitz 大神出了一个叫 Requests-HTML 的库，一直没有兴趣看，这回可算歹着机会用一下了。

使用 pip install requests-html安装，上手和 Reitz 的其他库一样，轻松简单：

				?

									from requests_html import HTMLSession

									session = HTMLSession()

									r = session.get('https://www.python.org/jobs/')

这个库是在 requests 库上实现的，r 得到的结果是 Response 对象下面的一个子类，多个一个 html 的属性。所以 requests 库的响应对象可以进行什么操作，这个 r 也都可以。如果需要解析网页，直接获取响应对象的 html 属性：

				?

									r.html

2. 原理

不得不膜拜 Reitz 大神太会组装技术了。实际上 HTMLSession 是继承自 requests.Session 这个核心类，然后将 requests.Session 类里的 requests 方法改写，返回自己的一个 HTMLResponse 对象，这个类又是继承自 requests.Response,只是多加了一个 _from_response 的方法来构造实例：

				?

									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)

结果如下：

				?

									# 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'>

通过迭代器实现了智能发现分页，这个迭代器里面会用一个叫 _next 的方法，贴一段源码感受下：

				?

									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']

通过查找 a 标签里面是否含有指定的文本来判断是不是有下一页，通常我们的下一页都会通过 下一页 或者 加载更多 来引导，他就是利用这个标志来进行判断。默认的以列表形式存在全局：['next', 'more', 'older']。我个人认为这种方式非常不灵活，几乎没有扩展性。感兴趣的可以往 github 上提交代码优化。