爬虫大神，又出新招

粉丝独白

几乎所有玩爬虫的人，一定会用requests库，这个库的作者是大名鼎鼎的Kenneth Reitz 。牛逼的一塌糊涂，最近我浏览它的网站，发现他又出新招，一个把爬虫下载器和解析器联合在一起的库，对爬虫界又是一大福音啊，一起来学习一下吧.

图片来自：https://www.kennethreitz.org/photos

01

Requests-Html

这个库它是requests库的姊妹篇，一般来说我们爬虫，我会直接在下载完网页之后，再去安装一些解析库来解析网页，解析库又有很多种，增加了我们的学习成本。

有没有一种库把这两者融合在一起，并且方便的提供给我们用。但是这个库直接内置了html网页的解析，相当于是自带酒水，非常方便，号称是给人类用的网页解析库。

目前这个库已经收获了7500个赞，323fork,相当牛逼！

02

这个库里都有啥

我们只需要用pip 直接install 即可。pip install requests-html ，这个库它内置了requests库，pyquery库，bs库，还有一些编码的库。最牛的是，它竟然把随机代理库fake-useragent也集成进来了！

# what packages are required for this module to be executed?

都内置了哪些牛逼的功能:

• Full JavaScript support!
• CSS Selectors (a.k.a jQuery-style, thanks to PyQuery).
• XPath Selectors, for the faint at heart.
• Mocked user-agent (like a real web browser).
• Automatic following of redirects.
• Connection–pooling and cookie persistence.
• The Requests experience you know and love, with magical parsing abilities.

03

如何用这个库

1).比如我们爬取一个Python官网网页

>>
/about/quotes/
/about/success/#software-development
https://mail.python.org/mailman/listinfo/python-dev
/downloads/release/python-365/
/community/logos/
/community/sigs/
//jobs.python.org
http://tornadoweb.org
https://github.com/python/pythondotorg/issues
/about/gettingstarted/
...

简单吧，我们也不需要管什么http的请求头，也不需要管什么cookie,更不需要管代理angent.直接初始化一个HTMLSession()类的对象，就可以简简单单的解析网页的内容。一边轻松喝杯茶，一边直接调用r对象里面的方法,比如提取所有网页里面的超链接。

2).看一下HTMLSession对象里面都有哪些好的方法:

print ([e for e in dir(r.html) if not e.startswith('_')])

>>
['absolute_links', 'add_next_symbol', 'base_url', 'default_encoding', 
'element', 'encoding', 'find', 'full_text', 'html', 'links', 'lxml', 'next_symbol', 
'page', 'pq', 'raw_html', 'render', 'search', 'search_all','session', 'skip_anchors', 'text', 'url', 'xpath']

里面有很多有用的功能函数，比如find，search，search_all功能，非常方便！上边我们解析了Python官网,接着我们解析官网里面的about :

想要找到about元素里面的文本内容，我们只用find一行代码就可以搞定搞定

about = r.html.find('#about', first=True)
print (about.text)

>>
About Applications Quotes Getting Started Help Python Brochure

#about 是表示网页审查里面id为about (css方式提取)，first置为true表示，如果取的元素是一个list,我们只返回第一个元素。

想读取about里面的attr：

print (about.attrs)

>>
{'id': 'about', 'class': ('tier-1', 'element-1'), 'aria-haspopup': 'true'}

想读取about里面的链接：

about.find('a')
>>

最牛逼的是这About对象已经把各种解析库的对象句柄都完成了初始化，比如大名鼎鼎的pyquery库的解析(css解析器)，lxml库的解析。

直接用doc=about.pq,这里的doc其实就是把css解析的内容解析出来，我们可以非常方便的处理.

整个requests_html库相当于一个中间层，把复杂的解析网页的这些繁琐的步骤，再次的封装了，里面还有牛逼的功能，比如支持js页面的动态解析，内置了强大的chromium引擎和异步的解析session(AsyncHTMLSession),这个里面用的是Python非常牛逼的Asyncio库。

总之有了这个requests_html，妈妈再也不用担心我学不会爬虫了。更多使用方法可以参考:https://github.com/kennethreitz/requests-html