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
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。