初识requests_html模块

感觉只要学过Python爬虫的同学应该都知道requests这个库吧，它在我们的Python爬虫任务中应该是最常用的一个库了！今天跟大家分享的这个模块requests_html，他的作者和前者是同一人！这是一个解析HTML的库，用起来和requests一样方便，下面就来介绍一下它！

使用requests_html

安装

• 依然是那个命令pip3 install -i https://pypi.doubanio.com/simple requests_html
• 注意：由于requests_html模块中使用了异步asynico模块，所以官方声明，需要在python3.6以上版本才能正常使用！

基本使用

发送请求

• requests_html发送请求获取页面需要先实例化一个HTMLSession对象，然后使用get/post...方法获取响应，如下列代码

#!/usr/bin/env python3
# coding     : utf-8
# Author     : xiao qiang
# Software   : PyCharm
# File       : test.py
# Time       : 2021/5/29 7:57
from requests_html import HTMLSession

if __name__ == '__main__':
    url = 'https://wwww.baidu.com'
    session = HTMLSession()  # 获取实例化session对象
    r = session.get(url)    # 这里的请求和requests的几乎一样！同样可以根据需要添加headers等参数

• requests_html发送请求的方式和requests中使用session方式发送请求几乎是一样的，可以对比参考
• requests_html同样可以发送get/post等请求，且可以和requests同样携带headers/data等参数，具体用法参考requests

解析响应获

• 接上，我们需要将获取的响应解析获取html页面，在这里我们同样可以使用requests中的r.content.decode()等原方法！
• 但是在requests_html中还提供了更便捷的方法：r.html.html
• r.html.html实际上是使用了requests_html中的HTML类（负责对HTML进行解析）来进行解析！如下

#!/usr/bin/env python3
# coding     : utf-8
# Author     : xiao qiang
# Software   : PyCharm
# File       : test.py
# Time       : 2021/5/29 7:57
from requests_html import HTMLSession

if __name__ == '__main__':
    url = 'https://wwww.baidu.com'
    session = HTMLSession()  # 获取实例化session对象
    r = session.get(url)  # 这里的请求和requests的几乎一样！同样可以根据需要添加headers等参数

    # 获取html页面
    # html = r.content.decode()  # requests方式
    get_html = r.html.html  # requests_html中的方法
    print(get_html[:15], '...')

• 运行结果（这里只显示了部分结果！）

获取需要的内容

快速获取链接

• 在requests_html中提供了快速获取网址链接的方法
• 使用links和absolute_links两个属性分别可以返回HTML对象所包含的所有链接和绝对链接（均不包含锚点）

# 快速获取链接
pprint(r.html.links)  # 获取html中的链接（href属性）
pprint(r.html.absolute_links)  # 会自动拼接url生成绝对链接

• 部分运行结果如下

获取元素

• requests_html中的HTML对象可以直接使用xpath和css选择器

使用xpath

• requests_html中的HTML对象支持xpath语法，它有以下几个参数：

def xpath(self, selector: str, *, clean: bool = False, first: bool = False, _encoding: str = None) -> _XPath:
- selector，要用的 xpath选择器；
- clean，布尔值，如果为True，会清除HTML中style和script标签；
- first，布尔值，如果为True，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。

• 接上面的例子！使用获取到的响应得到HTML对象：r.html

pprint(r.html.xpath('//li[@class="hotsearch-item odd"]/a'))
pprint(r.html.xpath('//li[@class="hotsearch-item odd"]/a', first=True).text)

• 运行结果

• xpath语法

使用css选择器（find方法）

• requests_html中的HTML对象支持css选择器，它有以下几个参数：

def find(self, selector: str = "*", *, containing: _Containing = None, clean: bool = False, first: bool = False, _encoding: str = None) -> _Find:
- selector，要用的CSS选择器；
- clean，布尔值，如果为True，会清除HTML中style和script标签；
- containing，如果设置该属性，只返回包含该属性文本的标签；
- first，布尔值，如果为True，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。

• 接上面的例子！使用获取到的响应得到HTML对象：r.html

pprint(r.html.find('a.mnav'))
pprint(r.html.find('a.mnav', first=True).text)

• 运行结果

• css选择器语法
• 可以使用text属性来获取元素的文本内容

pprint(r.html.find('a.mnav')[0].text)

• 执行结果

• 
  

• 如果要获取元素的attribute，用attrs属性：

pprint(r.html.find('a.mnav')[0].attrs)

• 执行结果

• 获取到attrs属性后，就可以使用字典的相关方法获取内容了！
• 最后还可以使用html属性获取一个元素的html代码，如下

pprint(r.html.find('a.mnav')[0].html)

• 执行结果

搜索（search、search_all）

• requests_html除了上面的方式还可以使用search/search_all来直接搜索内容！

def search(self, template: str) -> Result:
# 只有一个参数
template： 就是要检索的内容，这里使用英文状态的 {} 来获取内容，有点类似正则里面的 ()

• 使用英文状态的 {} 来获取内容，如下

    ret = r.html.find('a.mnav')[0].search('新{}')
    pprint(ret)
    pprint(type(ret))
    pprint(ret[0])

• 执行结果

• search()获取到的是第一个匹配的对象，而searchh_all()则是获取所有匹配的对象，得到的是一个列表，如下

    ret = r.html.find('a.mnav')[0].search_all('新{}')
    pprint(ret)
    pprint(type(ret))
    pprint(ret[0][0])

• 运行结果

• 除了对某个元素进行检索外，还可以直接对html对象进行搜索，如下

    ret = r.html.search_all('百度{}')
    pprint(ret)
    pprint(type(ret))
    pprint(ret[0][0])

• 运行结果

• requests_html内容提取的方式这么多，大家可以根据需要和习惯选择使用！

HTML类

• requests_html中使用HTML类负责对HTML进行解析
• HTML类不仅可以解析网络请求获取的响应，还可以直接解析html文本，如下

>>> from requests_html import HTML
>>> doc = """<a href='https://www.baidu.com'>"""

>>> html = HTML(html=doc)
>>> html.links
{'https://www.baidu.com'}

• 还可以直接渲染JS，如下

# 和上面一段代码接起来
>>> script = """
        () => {
            return {
                width: document.documentElement.clientWidth,
                height: document.documentElement.clientHeight,
                deviceScaleFactor: window.devicePixelRatio,
            }
        }
    """
>>> val = html.render(script=script, reload=False) # render()方法 后面会讲

>>> print(val)
{'width': 800, 'height': 600, 'deviceScaleFactor': 1}

>>> print(html.html)
<html><head></head><body><a href="https://www.baidu.com"></a></body></html>

高级功能

• 前面介绍的是requests_html在requests库的基础上整合的html解析&数据筛选的功能！
• 下面要为大家介绍的是requests_html模块中的一些高级功能：自动渲染JS&智能分页

JS渲染

• 我们在做爬虫项目的时候会遇到网站的页面是由js生成的情况！这个时候要么就是自己去一步一步的分析请求，要么就是使用selenium等第三方库来进行渲染页面，为了解决这个难题，requests_html模块中引进了pyppeteer，使用pyppeteer可以像使用selenium一样实现网站的完整加载！而且pyppeteer是一个异步模块！效率会更高！
• requests_html模块在HTML对象的基础上使用render()方法来重新加载js页面
• 注意：在第一次使用render()的时候，系统在用户目录（默认是~/.pyppeteer/）中下载一个chromium。下载过程只在第一次执行，以后就可以直接使用chromium来执行任务了。在没有科学上网的环境下可能下载速度有点慢，请耐心等待...
• 下面是一个官方示例

>>> r = session.get('http://python-requests.org/')

>>> r.html.render()
[W:pyppeteer.chromium_downloader] start chromium download.
Download may take a few minutes.
[W:pyppeteer.chromium_downloader] chromium download done.
[W:pyppeteer.chromium_downloader] chromium extracted to: C:\Users\xxxx\.pyppeteer\local-chromium\571375
>>> r.html.search('Python 2 will retire in only {months} months!')['months']
'<time>25</time>'

• requests_html模块在HTML对象的基础上使用render()方法来重新加载js页面，它有以下几个参数：

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（可选）
- wait: 加载页面前等待的时间（秒），防止超时（可选）
- scrolldown: 页面向下滚动的次数（整数）
- sleep: 在页面初次渲染之后的等待时间
- reload: 如果为False，那么页面不会从浏览器中加载，而是从内存中加载，只有设置为True才会在浏览器中渲染JS
- keep_page: 如果为True，允许您使用 r.html.page 访问浏览器页面

• requests_html还支持异步渲染JS[^1]

自动翻页（不太好用）

• 很多网站会出现翻页的情况，requests_html模块的HTML对象中提供了一个next()方法来实现自动翻页！
• requests_html模块在HTML对象的基础上使用next()方法来实现自动翻页！，它有以下几个参数：

def next(self, fetch: bool = False, next_symbol: _NextSymbol = DEFAULT_NEXT_SYMBOL) -> _Next:
fetch: 一个布尔型参数，默认为False：直接返回下一页的 url地址；
       如果设置为True：则直接返回下一页的 HTML对象

• 这个方法我自己测试了一下，只有一些特定的网站才能实现这个功能，requests_html在的源码中可以看到，作者通过搜索包含'next', 'more', 'older'字段的a标签（因为一般情况下我们的下一页url就是在a标签下的href属性中），所以只有满足了他的条件才会实现这个功能（也就是说HTML页面不按照这个套路它就无法实现这个功能！），下面是部分源码

DEFAULT_NEXT_SYMBOL = ['next', 'more', 'older']
# next()方法
    def next(self, fetch: bool = False, next_symbol: _NextSymbol = DEFAULT_NEXT_SYMBOL) -> _Next:
        """Attempts to find the next page, if there is one. If ``fetch``
        is ``True`` (default), returns :class:`HTML <HTML>` object of
        next page. If ``fetch`` is ``False``, simply returns the next URL.

        """

        def get_next():
            candidates = self.find('a', containing=next_symbol) # 寻找 包含字段'next', 'more', 'older' 的a标签

• 这里我就不做举例了，大家可以自行去尝试！

异步

• requests_html中还支持了异步功能
• requests_html是使用了asynico来封装了一些异步操作，所以这里的一些操作会用到asynico库相关的一些知识，如果您还不太了解，请自行学习！

异步渲染JS

• 前面我们介绍了使用render()方法渲染JS，其实它还支持异步渲染
• 一般异步渲染使用在我们有多个页面需要进行渲染的情况下，因为只要在多任务的时候才能体现出异步的高效率，下面是一个官方示例

>>> async def get_pyclock():
...     r = await asession.get('https://pythonclock.org/')
...     await r.html.arender()
...     return r
...
>>> results = asession.run(get_pyclock, get_pyclock, get_pyclock) # 这里作者将同一个页面使用异步方式进行了3次渲染，但是实际上使用的时间并不是平时的3倍！可能只是比平时渲染一个页面多花了一点时间而已！这就是异步的好处！

异步发送请求

• 我们在做爬虫的时候，特别是大型爬虫的时候，需要对很多页面进行操作，或者说是需要发送很多请求，也就是需要进行很多IO操作。所以，使用异步发送请求能显著的提升我们的爬虫效率！
• 在requests_html模块中，设置了一个AsyncHTMLSession类来实现发送异步请求,下面是一个官方示例

>>> from requests_html import AsyncHTMLSession
>>> asession = AsyncHTMLSession()
>>> async def get_pythonorg():
...     r = await asession.get('https://python.org/')
...     return r
...
>>> async def get_reddit():
...    r = await asession.get('https://reddit.com/')
...    return r
...
>>> async def get_google():
...    r = await asession.get('https://google.com/')
...    return r
...
>>> results = asession.run(get_pythonorg, get_reddit, get_google)
>>> results # check the requests all returned a 200 (success) code
[<Response [200]>, <Response [200]>, <Response [200]>]
>>> # Each item in the results list is a response object and can be interacted with as such
>>> for result in results:
...     print(result.html.url)
...
https://www.python.org/
https://www.google.com/
https://www.reddit.com/

• 上面的示例用到了asynico库中一些相关的知识，如果您还不太了解，请自行学习！

总结

• requests_html模块在requests库的基础上封装了页面解析和数据清理的功能，并且添加了对当前比较流行的异步操作，让我们在做爬虫项目（一般项目）的时候无需再去使用多个第三方模块来实现功能，几乎是提供了一站式的服务！
• 所以Python写爬虫使用requests_html就对了！（当然大项目还是首选scrapy，个人愚见！）