如何使用Python爬蟲工具requests-html

這篇文章主要為大家展示了如何使用Python爬蟲工具requests-html，內容簡而易懂，希望大家可以學習一下，學習完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。

使用Python開發的同學一定聽說過Requsts庫，它是一個用于發送HTTP請求的測試。如比我們用Python做基于HTTP協議的接口測試，那么一定會首選Requsts，因為它即簡單又強大。現在作者Kenneth Reitz 又開發了requests-html 用于做爬蟲。

該項目從3月上線到現在已經7K+的star了！

requests-html 是基于現有的框架 PyQuery、Requests、lxml、beautifulsoup4等庫進行了二次封裝，作者將Requests設計的簡單強大的優點帶到了該項目中。

安裝：

 pip install requests-html

教程與使用：

使用GET請求 https://python.org 網站。

先來看看requests的基本使用。

from requests_html import HTMLSession
session = HTMLSession()

r = session.get('https://python.org/')

# 獲取頁面上的所有鏈接。
all_links = r.html.links
print(all_links)

# 獲取頁面上的所有鏈接，以絕對路徑的方式。
all_absolute_links = r.html.absolute_links
print(all_absolute_links)

作為一個IT技術人員，是不是要時時關心一下科技圈的新聞，上博客園新聞頻道，抓取最新的推薦新聞。

from requests_html import HTMLSession
session = HTMLSession()
r = session.get("https://news.cnblogs.com/n/recommend")
# 通過CSS找到新聞標簽
news = r.html.find('h3.news_entry > a')
for new in news:
  print(new.text) # 獲得新聞標題
  print(new.absolute_links) # 獲得新聞鏈接

執行結果：

雷軍：小米硬件綜合凈利率永遠不超5％！
{'https://news.cnblogs.com/n/595156/'}
苦大仇深的“中國芯”，不妨學一學有趣的樹莓派
{'https://news.cnblogs.com/n/595143/'}
我的快遞，憑什么不能給我送到家！
{'https://news.cnblogs.com/n/595087/'}
倪光南回應方舟CPU失敗論：企業失敗不等于技術失敗
{'https://news.cnblogs.com/n/595102/'}
清華大學突破紀錄：首次實現25個量子接口間量子糾纏
{'https://news.cnblogs.com/n/595103/'}
定向免流量套餐用著爽，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，有人卻用微信群發大財
{'https://news.cnblogs.com/n/595059/'}
馬云的三觀
{'https://news.cnblogs.com/n/595047/'}
美國科技強大的全部秘密
{'https://news.cnblogs.com/n/595043/'}
蓋茨看著聽證會上的扎克伯格：滿眼都是20年前的自己
{'https://news.cnblogs.com/n/595025/'}
史上最清晰癌細胞轉移3D影像來襲
{'https://news.cnblogs.com/n/595019/'}
中興員工：華為僅部分芯片自己設計 誰被美制裁都得死
{'https://news.cnblogs.com/n/594967/'}
作為曾經的華為員工，我想替中興公司說兩句公道話
{'https://news.cnblogs.com/n/594962/'}
匿名網友回評梁寧：方舟bug無數 貼錢給別人都未必用
{'https://news.cnblogs.com/n/594932/'}
一段關于國產芯片和操作系統的往事
{'https://news.cnblogs.com/n/594900/'}
芯片股總市值低于美國巨頭 有公司靠政府補助盈利
{'https://news.cnblogs.com/n/594902/'}
被自家律師送上“槍口”的“二流”中興
{'https://news.cnblogs.com/n/594859/'}
Google正在失去DeepMind？
{'https://news.cnblogs.com/n/594853/'}

擴展：我們可以進一步將這里數據做持久化處理，設計出自己的“頭條”。

接下來我們到網站上下載壁紙，以美桌網（www.win4000.com）為例。

from requests_html import HTMLSession
import requests


# 保存圖片到bg/目錄
def save_image(url, title):
  img_response = requests.get(url)
  with open('./bg/'+title+'.jpg', 'wb') as file:
    file.write(img_response.content)

# 背景圖片地址，這里選擇1920*1080的背景圖片
url = "http://www.win4000.com/wallpaper_2358_0_10_1.html"

session = HTMLSession()
r = session.get(url)

# 查找頁面中背景圖，找到鏈接，訪問查看大圖，并獲取大圖地址
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)

這個網站上的圖片還是很容易獲取的，在上面的代碼塊中我加了注釋。這里不再說明。

以上就是關于如何使用Python爬蟲工具requests-html的內容，如果你們有學習到知識或者技能，可以把它分享出去讓更多的人看到。