动态爬虫神器-requests_html初探

会在何处见到你，莫非前尘已注定

　　今天凑时间研究了下requests_html模块，它是requests模块作者开发的另一款爬虫神器。此模块主要结合了xpath网页源码获取功能，以及pyppeteer网页动态渲染功能。后者方便我们获取js动态渲染的源代码，而前者方便从源代码中获取想要的内容。

模块下载安装

1	pip install requests-html

注意目前只支持python3.6版本

模块基础用法

from requests_html import HTMLSession
url  = "http://sec.didichuxing.com/present"
session = HTMLSession()
r = session.get(url)
print(r.html.html)  # 输出网页源码

其他response方法

print(r.html.url) # 输出当前url
print(r.html.links) # 输入页面中的link（原生样式）
print(r.html.absolute_links) # 输入页面中的link（绝对链接）
print(r.html)
print(r.html.text) # 输出源码中的字符
print(r.html.html) # 输出源码
print(dir(r.html)) # 输入所有方法，可查看所有response方法

动态渲染页面

requests-html模块提供了render()方法，用于动态渲染网页。当第一次执行render方法时，会自动下载Chromium（无头浏览器）到~/.pyppeteer/目录下，如下图所示：

使用非常简单，只需要在response中调用render方法：

from requests_html import HTMLSession
url  = "http://sec.didichuxing.com/present"
session = HTMLSession()
r = session.get(url)
r.html.render() # 动态渲染页面
print(r.html.html) # 输出源码

实例演示

这里以http://sec.didichuxing.com/present 网站为例，可以先利用浏览器查看网页源码：

从上图中可以看到，此网页内容主要为js动态渲染而来，我们先尝试不用动态渲染的方式获取网页源码

from requests_html import HTMLSession
url  = "http://sec.didichuxing.com/present"
session = HTMLSession()
r = session.get(url)
# r.html.render() # 动态渲染页面
print(r.html.html)

输出：

然后加上render方法

from requests_html import HTMLSession
url  = "http://sec.didichuxing.com/present"
session = HTMLSession()
r = session.get(url)
r.html.render() # 动态渲染页面
print(r.html.html)

输出：

可以看到网页上的内容被动态渲染出来了，简直方便。

异步

request_html同样支持异步，具体使用方法：

>>> 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/

更多使用文档，请移步：https://github.com/psf/requests-html
说明：关于requests_html模块暂时没有研究太多，日后用到了再补充！！！