14_Python_爬虫利器Requests-HTML使用方法

Posted 2021-01-05 面包的储物间

目录

• 1.安装
• 2.教程与使用
  • 2.1 发送get请求
  • 2.2 按原样获取页面上所有链接的列表（不包括锚点）：
  • 2.3 以绝对形式抓取页面上所有链接的列表（锚点除外）：
  • 2.4使用CSS选择器选择一个元素：
  • 2.5 attrs 获取元素的所有属性：
  • 2.6 获取元素的html：
  • 2.7 搜索元素内的链接：
  • 2.8 在页面上搜索文字：
  • 2.9 XPath路径定位元素
  • 2.10 解析本地文件
• 3.腾讯新闻爬取实例

• requests-html 是基于现有的框架 PyQuery、Requests、lxml、beautifulsoup4等库进行了二次封装，作者将Requests设计的简单强大的优点带到了该项目中。

• GiHub项目地址：https://github.com/kennethreitz/requests-html

1.安装

pip install requests-html

2.教程与使用

2.1 发送get请求

from requests_html import HTMLSession

session = HTMLSession()
# 发出GET请求：
resposse = session.get(‘http://news.qq.com/‘)

2.2 按原样获取页面上所有链接的列表（不包括锚点）：

#按原样获取页面上所有链接的列表（不包括锚点）：

print(r.html.links)

#输出内容：{‘http://www.mohrss.gov.cn/‘, ‘http://www.dahe.cn/‘, ......｝

2.3 以绝对形式抓取页面上所有链接的列表（锚点除外）：

# 以绝对形式抓取页面上所有链接的列表（锚点除外）：

print(r.html.absolute_links)

#输出内容：{‘http://new.qq.com/omn/20180630A0L1ED.html‘, ‘http://news.qq.com/a/20180624/001511.htm‘, ‘http://new.qq.com/omn/20180630A12MEU.html‘, ......｝

2.4使用CSS选择器选择一个元素：

# 使用CSS选择器选择第一个元素：
title = r.html.find(‘.f14>a‘, first=True).text
print(title)
# 输出内容：重磅！2018年版自贸试验区外资准入负面清单出炉

#注意：first=True的意思是获取第一个元素，如果不加上就是获取所有的符合的元素

2.5 attrs 获取元素的所有属性：

# attrs  获取元素的所有属性：
title = r.html.find(‘.f14>a‘, first=True)
print(title.attrs)

# 输出内容：{‘target‘: ‘_blank‘, ‘class‘: (‘linkto‘,), ‘href‘: ‘http://new.qq.com/omn/FIN2018063001805300‘}

2.6 获取元素的html：

#   获取元素的html：
title = r.html.find(‘.f14>a‘, first=True)
print(title.html)

# 输出内容：<a target="_blank" class="linkto" href="http://new.qq.com/omn/FIN2018063001805300">重磅！2018年版自贸试验区外资准入负面清单出炉</a>&#13;

2.7 搜索元素内的链接：

#   搜索元素内的链接：
title = r.html.find(‘.f14>a‘, first=True)
print(title.absolute_links)

# 输出内容：{‘http://new.qq.com/omn/FIN2018063001805300‘}

2.8 在页面上搜索文字：

#   在页面上搜索文字：
title = r.html.search(‘重磅！{}年版自贸试验区外资准入负面清单出炉‘)[0]
print(title)

# 输出内容：2018

2.9 XPath路径定位元素

#   XPath路径定位元素
title = r.html.xpath(‘//div[@class="text"]/em/a/text()‘)[0]
print(title)

# 输出内容：重磅！2018年版自贸试验区外资准入负面清单出炉

2.10 解析本地文件

from requests_html import HTML

doc = """<a href=‘http://news.qq.com/‘>"""

html = HTML(html=doc)
print(html.links)

# 输出内容：{‘http://news.qq.com/‘}

3.腾讯新闻爬取实例

# 实例：获取腾讯新闻的标题和链接

from requests_html import HTMLSession

session = HTMLSession()

r = session.get("http://news.qq.com/")
# 通过CSS找到新闻标签
news = r.html.find(‘.f14>a‘)
for new in news:
    print(new.text)  # 新闻标题
    print(new.absolute_links)  # 新闻连接

# 输出内容：
# 重磅！2018年版自贸试验区外资准入负面清单出炉
# {‘http://new.qq.com/omn/FIN2018063001805300‘}
# 津巴布韦7月1日起对中国游客实行落地签证政策
# {‘http://news.qq.com/a/20180630/019314.htm‘}
# 侠客岛：听说特朗普要见普京？这首歌送给他们
# {‘http://new.qq.com/omn/20180630A1GASD00‘}
# 高等教育史上大动作：工科生“土”帽子要摘了
# {‘http://new.qq.com/omn/20180630G07FLY00‘}
# 日本小型火箭升空后4秒坠毁爆炸 现场火光冲天
# {‘http://new.qq.com/omn/20180630V157BT00‘}
# 洞庭湖“私家湖泊”新进展：铲除非法堤坝
# {‘http://new.qq.com/omn/20180630A0ILA600‘}
# 讨论很热烈！个税法修订征求意见数已超1.3万条
# {‘http://new.qq.com/zt/template/?id=FIN2018061901656900‘}