1. 开始
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
2. 原理
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。
3. 元素定位
元素定位可以选择两种方式：
css 选择器
- css选择器
- xpath
# css 获取有多少个职位 jobs = r.html.find("h1.call-to-action") # xpath 获取 jobs = r.html.xpath("//h1[@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：
4. CSS 简单规则
- 标签名 h1
- id 使用
#id表示 - class 使用
.class_name表示 - 谓语表示：
h1[prop=value]
5. Xpath简单规则
- 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。
6. 人性化操作
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。
7. 加载 js
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() ?
第一次使用的时候会下载 Chromium，不过国内你懂的，自己想办法去下吧，就不要等它自己下载了。render 函数可以使用 js 脚本来操作页面，滚动操作单独做了参数。这对于上拉加载等新式页面是非常友好的。
8. 总结
Reitz 大神设计出来的东西还是一如既往的简单好用，自己不多做，大多用别人的东西组装，简化 api。真是够人性。不过有的地方还是优化空间，希望有兴趣和精力的童鞋去 github 上关注一下这个项目。
原文地址：https://www.cnblogs.com/wagyuze/p/11102270.html