本篇博客是《爬蟲(chóng) 120 例》的第 30 例，新學(xué)習(xí)一個(gè)爬蟲(chóng)框架 requests-html，該框架作者就是 requests 的作者，所以盲猜就很好用啦。

知識(shí)鋪墊工作

requests-html 模塊安裝使用 pip install requests-html 即可，官方手冊(cè)查詢(xún)地址：https://requests-html.kennethreitz.org/，官方并沒(méi)有直接的中文翻譯，在檢索過(guò)程中，確實(shí)發(fā)現(xiàn)了一版中文手冊(cè)，在文末提供。

先看一下官方對(duì)該庫(kù)的基本描述：

• Full JavaScript support!（完全支持 JS，這里手冊(cè)還重點(diǎn)標(biāo)記了一下，初學(xué)階段可以先忽略）
• CSS Selectors (a.k.a jQuery-style, thanks to PyQuery).（集成了 pyquery 庫(kù)，支持 css 選擇器）
• XPath Selectors, for the faint at heart.（支持 XPath 選擇器）
• Mocked user-agent (like a real web browser).（mock UA 數(shù)據(jù)，這點(diǎn)不錯(cuò)）
• Automatic following of redirects.（自動(dòng)跟蹤重定向）
• Connection–pooling and cookie persistence.（持久性 COOKIE）
• The Requests experience you know and love, with magical parsing abilities.（額，這最后一點(diǎn)，各位自己領(lǐng)悟吧）

Only Python 3.6 is supported. 僅支持 Python 3.6 ，實(shí)測(cè)發(fā)現(xiàn) 3.6 以上版本依舊可以。

對(duì)于該庫(kù)的簡(jiǎn)單使用，代碼如下所示：

from requests_html import HTMLSessionsession = HTMLSession()r = session.get("https://python.org/")print(r)

首先從 requests_html 庫(kù)導(dǎo)入 HTMLSession 類(lèi)，然后將其實(shí)例化之后，調(diào)用其 get 方法，發(fā)送請(qǐng)求，得到的 r 輸出為 ，后續(xù)即可使用內(nèi)置的解析庫(kù)對(duì)數(shù)據(jù)進(jìn)行解析。

由于該庫(kù)是解析 html 對(duì)象，所以可以查看對(duì)應(yīng)的 html 對(duì)象包含哪些方法與與屬性。

通過(guò) dir 函數(shù)查閱。

print(dir(r.html))# 輸出如下內(nèi)容：["__aiter__", "__anext__", "__class__", "__delattr__", "__dict__", "__dir__", "__doc__", "__eq__", "__format__", "__ge__","__getattribute__", "__gt__", "__hash__", "__init__", "__init_subclass__", "__iter__", "__le__", "__lt__", "__module__", "__ne__","__new__", "__next__", "__reduce__", "__reduce_ex__", "__repr__", "__setattr__", "__sizeof__", "__str__", "__subclasshook__","__weakref__", "_async_render", "_encoding", "_html", "_lxml", "_make_absolute", "_pq", "absolute_links", "add_next_symbol","arender", "base_url", "default_encoding", "element", "encoding", "find", "full_text", "html", "links", "lxml", "next","next_symbol", "page", "pq", "raw_html", "render", "search", "search_all", "session", "skip_anchors", "text", "url", "xpath"]

該函數(shù)只能輸入大概內(nèi)容，細(xì)節(jié)還是需要通過(guò) help 函數(shù)查詢(xún)，例如：

html 對(duì)象的方法包括

• find：提供一個(gè) css 選擇器，返回一個(gè)元素列表；
• xpath：提供一個(gè) xpath 表達(dá)式，返回一個(gè)元素列表；
• search： 根據(jù)傳入的模板參數(shù)，查找 Element 對(duì)象；
• search_all：同上，返回的全部數(shù)據(jù)；

html 對(duì)象的屬性包括

• links：返回頁(yè)面所有鏈接；
• absolute_links：返回頁(yè)面所有鏈接的絕對(duì)地址；
• base_url：頁(yè)面的基準(zhǔn) URL；
• html，raw_html，text：以 HTML 格式輸入頁(yè)面，輸出未解析過(guò)的網(wǎng)頁(yè)，提取頁(yè)面所有文本；

有了上述內(nèi)容鋪墊之后，在進(jìn)行 Python 爬蟲(chóng)的編寫(xiě)就會(huì)變的容易許多，requests-html 庫(kù)將通過(guò) 3~4 個(gè)案例進(jìn)行學(xué)習(xí)掌握，接下來(lái)進(jìn)入第一個(gè)案例。

目標(biāo)站點(diǎn)分析

本次要采集的目標(biāo)網(wǎng)站為：http://www.world68.com/top.asp?t=5star&page=1，目標(biāo)站點(diǎn)描述為【全球名站】。

在獲取數(shù)據(jù)源發(fā)送請(qǐng)求前，忽然想起可以動(dòng)態(tài)修改 user-agent，查閱該庫(kù)源碼發(fā)現(xiàn)，它只是使用了 fake_useragent 庫(kù)來(lái)進(jìn)行操作，并無(wú)太神奇的地方，所以可用可不用該內(nèi)容。

DEFAULT_USER_AGENT = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/603.3.8 (KHTML, like Gecko) Version/10.1.2 Safari/603.3.8"def user_agent(style=None) -> _UserAgent:    """Returns an apparently legit user-agent, if not requested one of a specific    style. Defaults to a Chrome-style User-Agent.    """    global useragent    if (not useragent) and style:        useragent = UserAgent()    return useragent[style] if style else DEFAULT_USER_AGENT

其余內(nèi)容相對(duì)比較簡(jiǎn)單，頁(yè)碼規(guī)則如下：

http://www.world68.com/top.asp?t=5star&page=1http://www.world68.com/top.asp?t=5star&page=2

累計(jì)頁(yè)數(shù)直接在底部進(jìn)行了展示，可以設(shè)計(jì)為用戶手動(dòng)輸入，即 input 函數(shù)實(shí)現(xiàn)。

目標(biāo)數(shù)據(jù)存儲(chǔ)網(wǎng)站名與網(wǎng)站地址即可，基于此，開(kāi)始編碼。

編碼時(shí)間

首先通過(guò)單線程實(shí)現(xiàn) requests-html 的基本邏輯，注意到下述代碼非常輕量，

from requests_html import HTMLSessionsession = HTMLSession()page_size = int(input("請(qǐng)輸入總頁(yè)碼："))for page in range(1, page_size + 1):    world = session.get(f"http://www.world68.com/top.asp?t=5star&page={page}")    world.encoding = "gb2312"    # world.html.encoding = "gb2312"    # print(world.text)    print("正在采集數(shù)據(jù)", world.url)    title_a = world.html.find("dl>dt>a")    for item in title_a:        name = item.text        url = item.attrs["href"]        with open("webs.txt", "a+", encoding="utf-8") as f:            f.write(f"{name},{url}/n")

上述代碼重點(diǎn)部分說(shuō)明如下：

• world.encoding，設(shè)置了網(wǎng)頁(yè)解析編碼；
• world.html.find("dl>dt>a") 通過(guò) css 選擇器，查找所有的網(wǎng)頁(yè)標(biāo)題元素；
• item.text 提取網(wǎng)頁(yè)標(biāo)題內(nèi)容；
• item.attrs["href"] 獲取元素屬性，即網(wǎng)站域名。

運(yùn)行效果如下所示，獲取到的 3519 個(gè)站點(diǎn)，就不在提供了，簡(jiǎn)單運(yùn)行 1 分鐘代碼，即可得到。

由于上述代碼太少了，完全不夠今日代碼量，我們順手將其修改為多線程形式。

import requests_htmlimport threadingimport timeimport fcntlclass MyThread(threading.Thread):    def __init__(self):        threading.Thread.__init__(self)    def run(self):        global page, lock, page_size        while True:            lock.acquire(True)            if page >= page_size:                lock.release()                break            else:                page += 1                lock.release()                requests_html.DEFAULT_ENCODING = "gb18030"                session = requests_html.HTMLSession()                print("正在采集第{}頁(yè)".format(page), "*" * 50)                try:                    page_url = f"http://www.world68.com/top.asp?t=5star&page={page}"                    world = session.get(page_url, timeout=10)                    print("正在采集數(shù)據(jù)", world.url)                    # print(world.html)                    title_a = world.html.find("dl>dt>a")                    print(title_a)                    my_str = ""                    for item in title_a:                        name = item.text                        url = item.attrs["href"]                        my_str += f"{name.encode("utf-8").decode("utf-8")},{url}/n"                    with open("thread_webs.txt", "a+", encoding="utf-8") as f:                        fcntl.flock(f.fileno(), fcntl.LOCK_EX)  # 文件加鎖                        f.write(f"{my_str}")                except Exception as e:                    print(e, page_url)if "__main__" == __name__:    page_size = int(input("請(qǐng)輸入總頁(yè)碼："))    page = 0    thread_list = []    # 獲取開(kāi)始時(shí)間    start = time.perf_counter()    lock = threading.Lock()    for i in range(1, 5):        t = MyThread()        thread_list.append(t)    for t in thread_list:        t.start()    for t in thread_list:        t.join()    # 獲取時(shí)間間隔    elapsed = (time.perf_counter() - start)    print("程序運(yùn)行完畢，總耗時(shí)為：", elapsed)

在正式進(jìn)行編碼之后，發(fā)現(xiàn)存在比較大的問(wèn)題，編碼問(wèn)題，出現(xiàn)如下錯(cuò)誤：

encoding error : input conversion failed due to input error, bytes 0x81 0xE3 0xD3 0xAAencoding error : input conversion failed due to input error, bytes 0x81 0xE3 0xD3 0xAAencoding error : input conversion failed due to input error, bytes 0x81 0xE3 0xD3 0xAAI/O error : encoder error

該錯(cuò)誤在執(zhí)行單線程時(shí)并未發(fā)生，但是當(dāng)執(zhí)行多線程時(shí)，異常開(kāi)始出現(xiàn)，本問(wèn)題在互聯(lián)網(wǎng)上無(wú)解決方案，只能自行通過(guò) requests-html 庫(kù)的源碼進(jìn)行修改。

打開(kāi) requests_html.py 文件，將 417 行左右的代碼進(jìn)行如下修改：

def __init__(self, *, session: Union["HTMLSession", "AsyncHTMLSession"] = None, url: str = DEFAULT_URL, html: _HTML, default_encoding: str = DEFAULT_ENCODING, async_: bool = False) -> None:	# 修改本部分代碼    # Convert incoming unicode HTML into bytes.    # if isinstance(html, str):    html = html.decode(DEFAULT_ENCODING,"replace")    super(HTML, self).__init__(        # Convert unicode HTML to bytes.        element=PyQuery(html)("html") or PyQuery(f"{html}")("html"),        html=html,        url=url,        default_encoding=default_encoding    )

代碼 if isinstance(html, str): 用于判斷 html 是否為 str，但是在實(shí)測(cè)過(guò)程中發(fā)現(xiàn) html 是 類(lèi)型，所以數(shù)據(jù)沒(méi)有進(jìn)行轉(zhuǎn)碼工作，故取消相關(guān)判斷。

除此以外，通過(guò)輸出 world.html.encoding 發(fā)現(xiàn)網(wǎng)頁(yè)的編碼不是 GB2312 ，而是 gb18030，所以通過(guò)下述代碼進(jìn)行了默認(rèn)編碼的設(shè)置。

requests_html.DEFAULT_ENCODING = "gb18030"

按照如上內(nèi)容進(jìn)行修改之后，代碼可以正常運(yùn)行，數(shù)據(jù)能正確的采集到。

本案例還新增了代碼運(yùn)行時(shí)長(zhǎng)的計(jì)算，具體如下：

# 獲取開(kāi)始時(shí)間start = time.perf_counter()# 執(zhí)行代碼的部分# 獲取時(shí)間間隔elapsed = (time.perf_counter() - start)print("程序運(yùn)行完畢，總耗時(shí)為：", elapsed)

完整的代碼運(yùn)行效果如下所示：

收藏時(shí)間

代碼倉(cāng)庫(kù)地址：https://codechina.csdn.net/hihell/python120，去給個(gè)關(guān)注或者 Star 吧。

數(shù)據(jù)沒(méi)有采集完畢，想要的可以在評(píng)論區(qū)留言交流

今天是持續(xù)寫(xiě)作的第 212 / 365 天。
可以關(guān)注我，點(diǎn)贊我、評(píng)論我、收藏我啦。

更多精彩

• Python 爬蟲(chóng) 100 例教程導(dǎo)航帖（已完結(jié)，復(fù)盤(pán)更新中，目前 110+ 篇）