小众且好用的 Python 爬虫库

Posted 2021-05-23 K'illCode

今天再推荐一款小众轻量级的爬虫库：MechanicalSoup

 

MechanicalSoup，也是一款爬虫神器！它使用纯 Python 开发，底层基于 Beautiful Soup 和 Requests，实现网页自动化及数据爬取

 

项目地址：

https://github.com/MechanicalSoup/MechanicalSoup

 

2. 安装及常见用法

 

首先安装依赖库

# 安装依赖库
pip3 install MechanicalSoup

 

常见操作如下：

 

2-1  实例化浏览器对象

 

使用 mechanicalsoup 内置的 StatefulBrowser() 方法可以实例化一个浏览器对象

 

import mechanicalsoup

# 实例化浏览器对象
browser = mechanicalsoup.StatefulBrowser(user_agent='MechanicalSoup')

 

PS：实例化的同时，参数可以执行 User Agent 及数据解析器，默认解析器为 lxml

 

2-2  打开网站及返回值

 

使用浏览器实例对象的 open(url) 即可以打开一个网页，返回值类型为：requests.models.Response

 

# 打开一个网站
result = browser.open("http://httpbin.org/")

print(result)

# 返回值类型：requests.models.Response
print(type(result))

 

通过返回值可以发现，使用浏览器对象打开网站相当于使用 requests 库对网站进行了一次请求

 

2-3  网页元素及当前 URL

 

使用浏览器对象的「url」属性可以获取当前页面的 URL 地址；浏览器的「 page 」属性用于获取页面的所有网页元素内容

 

由于 MechanicalSoup 底层基于 BS4，因此 BS4 的语法都适用于 MechanicalSoup

 

# 当前网页URL地址
url = browser.url
print(url)

# 查看网页的内容
page_content = browser.page
print(page_content)

 

2-4  表单操作

 

浏览器对象内置的 select_form(selector) 方法用于获取当前页面的 Form 表单元素

 

如果当前网页只有一个 Form 表单，则参数可以省略

# 获取当前网页中某个表单元素
# 利用action来过滤
browser.select_form('form[action="/post"]')

# 如果网页只有一个Form表单，参数可以省略
browser.select_form()

form.print_summary() 用于将表单内全部元素打印出来

form = browser.select_form()

# 打印当前选定表单内部全部元素
form.print_summary()

 

至于表单内的 input 普通输入框、单选框 radio、复选框 checkbox

# 1、普通输入框
# 通过input的name属性直接设置值，模拟输入
browser["norm_input"] = "普通输入框的值"

# 2、单元框radio
# 通过name属性值，选择某一个value值
# <input name="size" type="radio" value="small"/>
# <input name="size" type="radio" value="medium"/>
# <input name="size" type="radio" value="large"/>
browser["size"] = "medium"

# 3、复选框checkbox
# 通过name属性值，选择某几个值
# <input name="topping" type="checkbox" value="bacon"/>
# <input name="topping" type="checkbox" value="cheese"/>
# <input name="topping" type="checkbox" value="onion"/>
# <input name="topping" type="checkbox" value="mushroom"/>
browser["topping"] = ("bacon", "cheese")

 

浏览器对象的 submit_selected(btnName) 方法用于提交表单

 

需要注意的是，提交表单后的返回值类型为：requests.models.Response

# 提交表单（模拟单击“提交”按钮）
response = browser.submit_selected()

print("结果为:",response.text)

# 结果类型：requests.models.Response
print(type(response))

 

2-5  调试利器

 

浏览器对象 browser 提供了一个方法：launch_browser()

用于启动一个真实的 Web 浏览器，可视化展示当前网页的状态，在自动化操作过程中非常直观有用

PS：它不会真实打开网页，而是创建一个包含页面内容的临时页面，并将浏览器指向这个文件

更多功能可以参考：

https://mechanicalsoup.readthedocs.io/en/stable/tutorial.html

 

3. 实战一下

 

我们以「 微信文章搜索，爬取文章标题及链接地址 」为例

 

3-1  打开目标网站，并指定随机 UA

由于很多网站对 User Agent 做了反爬，因此这里随机生成了一个 UA，并设置进去

PS：从 MechanicalSoup 源码会发现，UA 相当于设置到 Requests 的请求头中

import mechanicalsoup
from faker import Factory

home_url = 'https://weixin.sogou.com/'

# 实例化一个浏览器对象
# user_agent：指定UA
f = Factory.create()
ua = f.user_agent()
browser = mechanicalsoup.StatefulBrowser(user_agent=ua)

# 打开目标网站
result = browser.open(home_url)

 

3-2  表单提交，搜索一次

 

使用浏览器对象获取网页中的表单元素，然后给表单中的 input 输入框设置值，最后模拟表单提交

 

# 获取表单元素
browser.select_form()

# 打印表单内所有元素信息
# browser.form.print_summary()

# 根据name属性，填充内容
browser["query"] = "Python"

# 提交
response = browser.submit_selected()

 

3-3  数据爬取

 

数据爬取的部分很简单，语法与 BS4 类似，这里就不展示说明了

 

search_results = browser.get_current_page().select('.news-list li .txt-box')

print('搜索结果为:', len(search_results))

# 网页数据爬取
for result in search_results:
    # a标签
    element_a = result.select('a')[0]

    # 获取href值
    # 注意：这里的地址经过调转才是真实的文章地址
    href = "https://mp.weixin.qq.com" + element_a.attrs['href']

    text = element_a.text

    print("标题：", text)
    print("地址:", href)

# 关闭浏览器对象
browser.close()

 

3-4  反反爬

 

MechanicalSoup 除了设置 UA，还可以通过浏览器对象的「 session.proxies 」设置代理 IP

 

# 代理ip
proxies = {
    'https': 'https_ip',
    'http': 'http_ip'
}

# 设置代理ip
browser.session.proxies = proxies

 

4. 最后

 

文中结合微信文章搜索实例，使用 MechanicalSoup 完成了一次自动化及爬虫操作

 

相比 Selenium，最大的区别是 Selenium 可以和 JS 进行交互；而 MechanicalSoup 不行

 

但是对于一些简单的自动化场景，MechanicalSoup 是一种简单、轻量级的解决方案