Python网页解析库:用requests-html爬取网页

Python网页解析库:用requests-html爬取网页

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。

7. 加载 js

也许是考虑到了现在 js 的一些异步加载,这个库支持 js 运行时,官方说明如下:

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

使用非常简单,直接调用以下方法:

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。

发表评论

相关文章