Python爬虫工具requests-html使用解析

使用Python开发的同学一定听说过Requsts库，它是一个用于发送HTTP请求的测试。如比我们用Python做基于HTTP协议的接口测试，那么一定会首选Requsts，因为它即简单又强大。现在作者Kenneth Reitz 又开发了requests-html 用于做爬虫。

该项目从3月上线到现在已经7K+的star了！

GiHub项目地址：

https://github.com/kennethreitz/requests-html

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。

安装：

pip install requests-html

教程与使用：

使用GET请求 https://python.org 网站。

先来看看requests的基本使用。

from requests_html import HTMLSessionsession = HTMLSession()r = session.get(’https://python.org/’)# 获取页面上的所有链接。all_links = r.html.linksprint(all_links)# 获取页面上的所有链接，以绝对路径的方式。all_absolute_links = r.html.absolute_linksprint(all_absolute_links)

作为一个IT技术人员，是不是要时时关心一下科技圈的新闻，上博客园新闻频道，抓取最新的推荐新闻。

from requests_html import HTMLSessionsession = HTMLSession()r = session.get('https://news.cnblogs.com/n/recommend')# 通过CSS找到新闻标签news = r.html.find(’h2.news_entry > a’)for new in news: print(new.text) # 获得新闻标题 print(new.absolute_links) # 获得新闻链接

执行结果：

雷军：小米硬件综合净利率永远不超5％！{’https://news.cnblogs.com/n/595156/’}苦大仇深的“中国芯”，不妨学一学有趣的树莓派{’https://news.cnblogs.com/n/595143/’}我的快递，凭什么不能给我送到家！{’https://news.cnblogs.com/n/595087/’}倪光南回应方舟CPU失败论：企业失败不等于技术失败{’https://news.cnblogs.com/n/595102/’}清华大学突破纪录：首次实现25个量子接口间量子纠缠{’https://news.cnblogs.com/n/595103/’}定向免流量套餐用着爽，但背后的“坑”你可能不知道{’https://news.cnblogs.com/n/595061/’}你在微信群侃大山，有人却用微信群发大财{’https://news.cnblogs.com/n/595059/’}马云的三观{’https://news.cnblogs.com/n/595047/’}美国科技强大的全部秘密{’https://news.cnblogs.com/n/595043/’}盖茨看着听证会上的扎克伯格：满眼都是20年前的自己{’https://news.cnblogs.com/n/595025/’}史上最清晰癌细胞转移3D影像来袭{’https://news.cnblogs.com/n/595019/’}中兴员工：华为仅部分芯片自己设计 谁被美制裁都得死{’https://news.cnblogs.com/n/594967/’}作为曾经的华为员工，我想替中兴公司说两句公道话{’https://news.cnblogs.com/n/594962/’}匿名网友回评梁宁：方舟bug无数 贴钱给别人都未必用{’https://news.cnblogs.com/n/594932/’}一段关于国产芯片和操作系统的往事{’https://news.cnblogs.com/n/594900/’}芯片股总市值低于美国巨头 有公司靠政府补助盈利{’https://news.cnblogs.com/n/594902/’}被自家律师送上“枪口”的“二流”中兴{’https://news.cnblogs.com/n/594859/’}Google正在失去DeepMind？{’https://news.cnblogs.com/n/594853/’}

扩展：我们可以进一步将这里数据做持久化处理，设计出自己的“头条”。

接下来我们到网站上下载壁纸，以美桌网（www.win4000.com）为例。

from requests_html import HTMLSessionimport requests# 保存图片到bg/目录def save_image(url, title): img_response = requests.get(url) with open(’./bg/’+title+’.jpg’, ’wb’) as file: file.write(img_response.content)# 背景图片地址，这里选择1920*1080的背景图片url = 'http://www.win4000.com/wallpaper_2358_0_10_1.html'session = HTMLSession()r = session.get(url)# 查找页面中背景图，找到链接，访问查看大图，并获取大图地址items_img = r.html.find(’ul.clearfix > li > a’)for img in items_img: img_url = img.attrs[’href’] if '/wallpaper_detail' in img_url: r = session.get(img_url) item_img = r.html.find(’img.pic-large’, first=True) url = item_img.attrs[’src’] title = item_img.attrs[’title’] print(url+title) save_image(url, title)

这个网站上的图片还是很容易获取的，在上面的代码块中我加了注释。这里不再说明。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持好吧啦网。