Reuqests-html教程

一、概述

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

pip3 install requests-html

 

二、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

asession = AsyncHTMLSession()
async def get_qq():
    r = await asession.get('http://news.qq.com/')
    return r

async def get_toutiao():
    r = await asession.get('https://www.toutiao.com/')
    return r

result = asession.run(get_qq, get_toutiao)
print(result)

 

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()

完整代码:

from requests_html import HTMLSession
session = HTMLSession()
r = session.get('https://python.org/')
links = r.html.links
print("links",links)
absolute_links = r.html.absolute_links
print("absolute_links",absolute_links)

 

获取元素

CSS选择器

支持CSS和XPATH两种语法来选取HTML元素。

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><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

 

访问京东,搜索x1关键字的商品列表

from requests_html import HTMLSession


session = HTMLSession()
r = session.get('https://search.jd.com/Search?keyword=x1&enc=utf-8&wq=x1&pvid=add52cb63f7e4887b5ba29406a5756ba')
link_list = r.html.find('.gl-item')
for i in link_list:
    print(i.text)
View Code

 执行输出:

¥9999.00
联想ThinkPad
X1
Carbon 2019(01CD)英特尔酷睿i5 14英寸轻薄笔记本电脑(i5-10210U 8G 512GSSD FHD)黑
...

 

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><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

 

获取新闻列表

from requests_html import HTMLSession
session = HTMLSession()
r = session.get('https://python.org/')
#里面是css选择器内容
text = r.html.xpath('//*[@class="menu"]/li/a/text()')
print(text)

 

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'))

 

执行报错:

pyppeteer.errors.PageError: Protocol Error: Connectoin Closed. Most likely the page has been closed.

 

解决办法,参考链接:

https://github.com/miyakogi/pyppeteer/pull/160/files

 

 

需要修改源代码

你的python安装路径\lib\site-packages\pyppeteer\connection.py

self._url, max_size=None, loop=self._loop)

修改为

self._url, max_size=None, loop=self._loop, ping_interval=None, ping_timeout=None)

 

再次执行,输出:

[<Element 'div' class=('TopicMetaCard-title',)>]

 

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)

 

输出:

如何看待Python和Java?到底入门学习哪一个更好?(附学习教程)
如何看待AI技术?什么是AI?(附教程)
Python打包exe的王炸-Nuitka
...

 

 

本文参考链接:

https://blog.csdn.net/qq_1290259791/article/details/83413912

https://blog.csdn.net/weixin_39198406/article/details/86719814

https://www.jianshu.com/p/bd828b9cf74d

 

 

posted @ 2020-04-19 14:10  肖祥  阅读(445)  评论(0编辑  收藏  举报