requests-html简介

安装

pip install requests-html

使用

官方文档：https://pypi.org/project/requests-html/

获取网页

requests-html和其他解析HTML库最大的不同点在于HTML解析库一般都是专用的，所以我们需要用另一个HTTP库先把网页下载下来，然后传给那些HTML解析库。而requests-html既可以下载网页，又能解析网页。

返回的对象r是requests.Reponse类型，更确切的说是继承自前者的requests_html.HTMLResponse类型。这里其实和requests库的使用方法差不多，获取到的响应对象其实其实也没啥用，这里的关键就在于r.html这个属性，它会返回requests_html.HTML这个类型，它是整个requests_html库中最核心的一个类，负责对HTML进行解析。

from requests_html import HTMLSession

session = HTMLSession()
url = "https://www.jianshu.com/u/18d731821bfc"
r = session.get(url=url)
print(r.html.html)

得到网页中的所有链接：

# 相对路径
print(r.html.links)
# 绝对路径
print(r.html.absolute_links)

 获取元素

request-html支持CSS选择器和XPATH两种语法来选取HTML元素。首先先来看看CSS选择器语法，它需要使用HTML的find函数，该函数有5个参数，作用如下：

• selector，要用的CSS选择器；
• clean，布尔值，如果为真会忽略HTML中style和script标签造成的影响（原文是sanitize，大概这么理解）;
• containing，如果设置该属性，会返回包含该属性文本的标签；
• first，布尔值，如果为真会返回第一个元素，否则会返回满足条件的元素列表；
• _encoding，编码格式。

下面是几个简单例子:

# 首页菜单文本
print(r.html.find('div#menu', first=True).text)
# 首页菜单元素
print(r.html.find('div#menu a'))

文本内容

e = r.html.find("div.title", first=True)
print(e.text)

要获取元素的attribute，用attr属性

print(e.attrs)

获取元素的html代码

print(e.html)

文本搜索，用search函数

print(e.search('还是{}没头脑')[0])

然后是XPATH语法，这需要另一个函数xpath的支持，它有4个参数如下：

• selector，要用的XPATH选择器；
• clean，布尔值，如果为真会忽略HTML中style和script标签造成的影响（原文是sanitize，大概这么理解）;
• first，布尔值，如果为真会返回第一个元素，否则会返回满足条件的元素列表；
• _encoding，编码格式。

还是上面的例子，不过这次使用XPATH语法：

print(r.html.xpath("//div[@id='menu']", first=True).text)
print(r.html.xpath("//div[@id='menu']//a"))

JavaScript支持

有些网站是使用JavaScript渲染的，这样的网站爬取到的结果只有一堆JS代码，这样的网站requests-html也可以处理，关键一步就是在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。

下载过程只在第一次执行，以后就可以直接使用chromium来执行了。

r.html.render()

render函数还有一些参数，顺便介绍一下（这些参数有的还有默认值，直接看源代码方法参数列表即可）：

• retries: 加载页面失败的次数
• script: 页面上需要执行的JS脚本（可选）
• wait: 加载页面钱的等待时间（秒），防止超时（可选）
• scrolldown: 页面向下滚动的次数
• sleep: 在页面初次渲染之后的等待时间
• reload: 如果为假，那么页面不会从浏览器中加载，而是从内存中加载
• keep_page: 如果为真，允许你用r.html.page访问页面

比如说简书的用户页面上用户的文章列表就是一个异步加载的例子，初始只显示最近几篇文章，如果想爬取所有文章，就需要使用scrolldown配合sleep参数模拟下滑页面，促使JS代码加载所有文章。

自定义请求

自定义用户代理

有些网站会使用UA来识别客户端类型，有时候需要伪造UA来实现某些操作。可以防止封ip。

from pprint import pprint   # 提供了可以按照某个格式正确的显示python已知类型数据的一种方法
import json

pp_r = session.get('http://httpbin.org/get')
pprint(json.loads(pp_r.html.html))

返回的结果如下：

{'args': {},
 'headers': {'Accept': '*/*',
             'Accept-Encoding': 'gzip, deflate',
             'Host': 'httpbin.org',
             'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) '
                           'AppleWebKit/603.3.8 (KHTML, like Gecko) '
                           'Version/10.1.2 Safari/603.3.8'},
 'origin': '150.95.184.46, 150.95.184.46',
 'url': 'https://httpbin.org/get'}

这里的UA是requests-html自带的UA，下面换一个UA：

ua = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:62.0) Gecko/20100101 Firefox/62.0'
ppp_r = session.get('http://httpbin.org/get',headers={'user-agent': ua})
pprint(json.loads(ppp_r.html.html))

看到UA确实发生了变化：

{'args': {},
 'headers': {'Accept': '*/*',
             'Accept-Encoding': 'gzip, deflate',
             'Host': 'httpbin.org',
             'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:62.0) '
                           'Gecko/20100101 Firefox/62.0'},
 'origin': '150.95.184.46, 150.95.184.46',
 'url': 'https://httpbin.org/get'}

模拟表单登陆

post请求

r = session.post('http://httpbin.org/post', data={'username': 'python', 'passwd': 123456})
pprint(json.loads(r.html.html))

实例：爬自己博客园所有文章标题

from requests_html import HTMLSession

base_url = 'https://www.cnblogs.com/lfri/default.html?page='
id = 0

def get_title(url):
    global id #在函数内部修改全局变量的值，要先用global声明全局变量。
    session = HTMLSession()
    r = session.get(url)
    r.html.render(scrolldown=10, sleep=.1)
    titles = r.html.find('a.postTitle2')
    #print(len(titles))
    for i, title in enumerate(titles):
        print(f'{id} [{title.text}]({title.attrs["href"]})')
        id = id + 1

if __name__ == '__main__':
    for x in range(1,74):
        print('当前页面: '+ str(x))
        get_title(base_url+str(x))

参考链接：https://www.jianshu.com/p/380974ba9540