【web自動化測試】requests-html 這個解析庫,能讓你更輕鬆的獲取網頁內容

王雨澤發表於2019-06-28

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,輕鬆簡單:

 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 物件下面的一個子類,多個一個 html 的屬性。所以 requests 庫的響應物件可以進行什麼操作,這個 r 也都可以。如果需要解析網頁,直接獲取響應物件的 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,然後將 requests.Session 類裡的 requests 方法改寫,返回自己的一個 HTMLResponse 物件,這個類又是繼承自 requests.Response,只是多加了一個 _from_response 的方法來構造例項:

 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

之後在 HTMLResponse 裡定義屬性方法 html,就可以通過 html 屬性訪問了,實現也就是組裝 PyQuery 來幹。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("h1.call-to-action")
 # xpath 獲取
 jobs = r.html.xpath("//h1[@class='call-to-action']")

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

4. CSS 簡單規則

  • 標籤名 h1

  • id 使用 #id 表示

  • class 使用 .class_name 表示

  • 謂語表示:h1[prop=value]

5. Xpath簡單規則

  • 路徑 // 或者 /

  • 標籤名

  • 謂語 [@prop=value]

  • 軸定位 名稱::元素名[謂語]

定位到元素以後勢必要獲取元素裡面的內容和屬性相關資料,獲取文字:

 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連結,這對於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資訊:

 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慧發現分頁,這個迭代器裡面會用一個叫 _next 的方法,貼一段原始碼感受下:

 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']
 

通過查詢 a 標籤裡面是否含有指定的文字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 載入更多 來引導,他就是利用這個標誌來進行判斷。預設的以列表形式存在全域性:['next', 'more', 'older']。我個人認為這種方式非常不靈活,幾乎沒有擴充套件性。感興趣的可以往 github 上提交程式碼優化。

7. 載入 js

也許是考慮到了現在 js 的一些非同步載入,這個庫支援 js 執行時,官方說明如下:

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

使用非常簡單,直接呼叫以下方法:

 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 函式可以使用 js 指令碼來操作頁面,滾動操作單獨做了引數。這對於上拉載入等新式頁面是非常友好的。

8. 總結

Reitz 大神設計出來的東西還是一如既往的簡單好用,自己不多做,大多用別人的東西組裝,簡化 api。真是夠人性。不過有的地方還是優化空間,希望有興趣和精力的童鞋去 github 上關注一下這個專案。

相關文章