本篇内容介绍了“Python怎么用requests-html爬取网页”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
Python 中可以进行网页解析的库有很多，常见的有 BeautifulSoup 和 lxml 等。在网上玩爬虫的文章通常都是介绍 BeautifulSoup 这个库，我平常也是常用这个库，最近用 Xpath 用得比较多，使用 BeautifulSoup 就不大习惯，很久之前就知道 Reitz 大神出了一个叫 Requests-HTML 的库，一直没有兴趣看，这回可算歹着机会用一下了。
使用 pip install requests-html安装，上手和 Reitz 的其他库一样，轻松简单：
from requests_html import HTMLSession
session = HTMLSession()
r = session.get('https://www.python.org/jobs/')这个库是在 requests 库上实现的，r 得到的结果是 Response 对象下面的一个子类，多个一个 html 的属性。所以 requests 库的响应对象可以进行什么操作，这个 r 也都可以。如果需要解析网页，直接获取响应对象的 html 属性：
r.html
不得不膜拜 Reitz 大神太会组装技术了。实际上 HTMLSession 是继承自 requests.Session 这个核心类，然后将 requests.Session 类里的 requests 方法改写，返回自己的一个 HTMLResponse 对象，这个类又是继承自 requests.Response,只是多加了一个 _from_response 的方法来构造实例：
class HTMLSession(requests.Session): # 重写 request 方法，返回 HTMLResponse 构造 def request(self, *args, **kwargs) -> HTMLResponse: r = super(HTMLSession, self).request(*args, **kwargs) return HTMLResponse._from_response(r, self)
class HTMLResponse(requests.Response): # 构造器 @classmethod def _from_response(cls, response, session: Union['HTMLSession', 'AsyncHTMLSession']): html_r = cls(session=session) html_r.__dict__.update(response.__dict__) return html_r
之后在 HTMLResponse 里定义属性方法 html，就可以通过 html 属性访问了,实现也就是组装 PyQuery 来干。核心的解析类也大多是使用 PyQuery 和 lxml 来做解析，简化了名称，挺讨巧的。
元素定位可以选择两种方式：
css选择器
xpath
# css 获取有多少个职位
jobs = r.html.find("h2.call-to-action")
# xpath 获取
jobs = r.html.xpath("//h2[@class='call-to-action']")方法名非常简单，符合 Python 优雅的风格，这里不妨对这两种方式简单的说明：
标签名 h2
id 使用 #id 表示
class 使用 .class_name 表示
谓语表示：h2[prop=value]
路径 // 或者 /
标签名
谓语 [@prop=value]
轴定位 名称::元素名[谓语]
定位到元素以后势必要获取元素里面的内容和属性相关数据，获取文本：
jobs.text jobs.full_text
获取元素的属性：
attrs = jobs.attrs
value = attrs.get("key")还可以通过模式来匹配对应的内容：
## 找某些内容匹配
r.html.search("Python {}")
r.html.search_all()这个功能看起来比较鸡肋，可以深入研究优化一下，说不定能在 github 上混个提交。
除了一些基础操作，这个库还提供了一些人性化的操作。比如一键获取网页的所有超链接，这对于整站爬虫应该是个福音，URL 管理比较方便：
r.html.absolute_links r.html.links
内容页面通常都是分页的，一次抓取不了太多，这个库可以获取分页信息：
print(r.html) # 比较一下 for url in r.html: print(url)
结果如下：
# 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'>
通过迭代器实现了智能发现分页，这个迭代器里面会用一个叫 _next 的方法，贴一段源码感受下：
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']通过查找 a 标签里面是否含有指定的文本来判断是不是有下一页，通常我们的下一页都会通过 下一页 或者 加载更多 来引导，他就是利用这个标志来进行判断。默认的以列表形式存在全局：['next', 'more', 'older']。我个人认为这种方式非常不灵活，几乎没有扩展性。感兴趣的可以往 github 上提交代码优化。
也许是考虑到了现在 js 的一些异步加载，这个库支持 js 运行时，官方说明如下：
Reloads the response in Chromium, and replaces HTML content
with an updated version, with JavaScript executed.
使用非常简单，直接调用以下方法：
r.html.render()
“Python怎么用requests-html爬取网页”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
