无所不能的requests-html库(requests库的哥哥)

官网介绍

全面支持解析JavaScript!
CSS 选择器 (jQuery风格, 感谢PyQuery).
XPath 选择器, for the faint at heart.
自定义user-agent (就像一个真正的web浏览器).
自动追踪重定向.
连接池与cookie持久化.
令人欣喜的请求体验，魔法般的解析页面.
异步支持

一、安装

$ pip install requests-html

只支持python3.6及以上

二、使用方法

构造一个访问python.org的GET请求，从源码可以知道其实是使用requests的get方法

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

# 响应对象 = session.request（......）

# 响应对象 = session.get（......）

# 响应对象 = session.post（......）

r 的属性参数

r1 = session.get('https://python.org/')
# 相当于
r2 = requests.get('https://python.org/')

所以，r1和r2属性参数都是一样的，都可以使用r.url r.text等属性方法，跟requests模块使用方法是一样的，因为其内部是使用requests模块的。

2.HTMLSession()的参数


session = HTMLSession(
    browser_args=[
        '--no-sand',            # 沙箱环境
        '--user-agent=XXXXX'     # 自定义UA
    ],
    headless=False   # 需要修改源码才能设置该参数，默认不能启动浏览器模拟，改了之后设置headless=False就可以模拟
)

headless源码修改：
--->HTMLSession---->BaseSession

在BaseSession的__init__方法添加一个关键字参数headless=True，再实例化对象添加多一个参数self.__headless = headless

在BaseSession的browser方法的返回对象self._browser实例化传入该参数即可

注意：如果想要模拟启动浏览器，必须执行r.html.render()方法

三、r.html对象(HTML类)

r.html事实上就是一个解析后的html对象，是基于HTML类的

from requests_html import HTML

r.html属性和方法：

absolute_links

页面上所有可被获取到的超链接，都会被转成绝对路径形式。

base_url

页面的基准URL，支持``标签（了解更多）。

encoding

用于编码从HTML和html响应头中提取的内容进行编码的格式

find

find(selector: str = '', , containing: Union[str, typing.List[str]] = None, clean: bool = False, first: bool = False,_encoding: str = None) → Union[typing.List[_ForwardRef('Element')], _ForwardRef('Element')]

接收一个css选择器参数，返回一个Element对象或Element对象组成的列表。

*参数说明*：

selector - css选择器
clean - 对找到的和是否进行处理
containing - 如果指定，则只会返回包含指定文本的Element对象
first - 是否只返回第一个结果
**_encoding** - 编码格式

CSS选择器示例：

a
a.someClass
a#someID
a[target=_blank]

查看CSS选择器的更多详细内容

如果first参数被置为True，则只返回找到的第一个Element对象

full_text

返回Element对象或HTML中的所有文本（包括链接）

html

返回Unicode行式的HTML内容(了解更多)

links

返回页面所有链接，并保留链接的原本形式

lxml

返回lxml行式的HTML内容或lxml对象

pq

返回PyQuery行式的HTML内容

raw_html

返回字节行式的HTML内容（了解更多）

render

render(retries: int = 8, script: str = None, wait: float = 0.2, scrolldown=False, sleep: int = 0, reload: bool = True, timeout: Union[float, int] = 8.0, keep_page: bool = False)

执行JavaScript，在Chromium里重新加载响应，并用最新获取到的HTML替换掉原来的HTML。

r.html.render() 首次执行该方法是，模块会检查依赖，并下载chromium，chromium是什么鬼，看起来很像chrome？
搞过selenium的应该知道，这里简单对比下chrome和chromium：

Chromium是谷歌的开源项目，开发者们可以共同去改进它，然后谷歌会收集改进后的Chromium并发布改进后安装包。Chrome不是开源项目，谷歌会把Chromium的东西更新到Chrome中。你也可以这么理解Chromium是体验版，Chrome是正式版；
Chromium不用安装，下载下来的是压缩包，解压后直接就可以使用。Chrome需要安装；
Chromium功能比Chrome多，因为新功能都是先在Chromium中使用，等完善后才添加到Chrome中。相对的Chrome就要比Chromium稳定很多不容易出错；
Chromium不开放自动更新功能，所以用户需手动下载更新，而Chrome则可自动连上Google的服务器更新，但新版的推出很慢。

*参数说明*：

retries - 在Chromium里加载页面的重试次数
script - 执行页面上的JavaScript（可选参数）
wait - 页面加载前的等待时间，防止超时（单位：秒，可选参数）
scrolldown - 接收整数参数n。如果提供参数n，表示向后翻n页
sleep - 接收整数参数n。如果提供参数n，则在render初始化后，程序会暂停n秒
reload - 如果为False，则不会重新从浏览器加载内容，而是读取内存里的内容
keep_page - 如果为True，将会允许你通过r.html.page与浏览器页面交互

如果scrolldown和sleep都指定，那么程序会在暂停相应时间后，再往后翻页面（如：scrolldown=10, sleep=1）

如果仅指定了sleep，程序会暂停相应时间，再返回数据

如果指定script，他将会在运行时执行提供的JavaScript。如：

script = """
    () => {
        return {
            width: document.documentElement.clientWidth,
            height: document.documentElement.clientHeight,
            deviceScaleFactor: window.devicePixelRatio,
        }
    }
"""

返回一段JavaScript的返回值：

>>> r.html.render(script=script)
{'width': 800, 'height': 600, 'deviceScaleFactor': 1}

*警告*：如果你使用keep_page, 你最好关闭已经使用过的页面，如果打开过多页面会造成浏览器崩溃。

*警告*：如果你第一次运行这个方法，它将会下载Chromium保存在你的家目录下。

最后，因为在爬虫中，我们使用了webdriver，浏览器会默认识别到，会去告诉服务器我们是webdriver，会进行反爬措施，所以我们需要，关掉浏览器的识别，加入下面这条js代码即可

绕过网站对webdriver的检测:
                            '''
                            () =>{
                                Object.defineProperties(navigator,{
                                webdriver:{
                                    get: () => undefined
                                    }
                                })
                            }
                            '''

search

**search*(template: str*) → parse.Result

根据传入的模板参数，查找Element对象

参数说明：

template - 模板参数

search_all

search_all(template: str) → Union[typing.List[_ForwardRef('Result')], _ForwardRef('Result')]

根据传入的模板参数，查找所有的Element对象

参数说明：

template - 模板参数

xpath

xpath(selector: str, *, clean: bool = False, first: bool = False, _encoding: str = None) → Union[typing.List[str], typing.List[_ForwardRef('Element')], str, _ForwardRef('Element')]

传入一个XPath选择器参数，返回所有的Element对象

*参数说明*：

selector - xpath选择器
clean - 对找到的和是否进行处理
first - 是否只返回第一个结果
**_encoding** - 编码格式

如果指定了一个子选择器（如：//a/@href），将返回一个简单的结果列表

查看更多细节Xpath示例

如果first参数被置为True，则只返回找到的第一个Element对象

四、Element类

class requests_html.Element(*, element, url: str, default_encoding: str = None) → None 源码

HTML的一个element对象。

*参数说明*：

element - 根据该参数进行解析
url - HTML对应的URL，absolute_links函数会调用该参数
default_encoding - 指定字符编码

Element对象方法及属性

absolute_links

返回一个字典，该字典包括Element对象的所有html属性。

attrs

页面上所有可被获取到的超链接，都会被转成绝对路径形式。

base_url

页面的基准URL，支持``标签（了解更多）。

encoding

用于编码从HTML和html响应头中提取的内容

find

**find*(selector: str = '', *, containing: Union[str, typing.List[str]] = None, clean: bool = False, first: bool = False,_encoding: str = None) → Union[typing.List[_ForwardRef('Element')], _ForwardRef('Element')]

接收一个css选择器参数，返回一个Element对象或Element对象组成的列表。

参数说明：

selector - css选择器
clean - 对找到的和是否进行处理
containing - 如果指定，则只会返回包含指定文本的Element对象
first - 是否只返回第一个结果
**_encoding** - 编码格式

CSS选择器示例：

a
a.someClass
a#someID
a[target=_blank]

查看CSS选择器的更多详细内容

如果first参数被置为True，则只返回找到的第一个Element对象

full_text

返回Element对象或HTML中的所有文本（包括链接）

html

返回Unicode行式的HTML内容(了解更多)

links

返回页面所有链接，并保留链接的原本形式

lxml

返回lxml行式的HTML内容

pq

返回PyQuery行式的HTML内容

raw_html

返回字节行式的HTML内容（了解更多）

search

search(template: str) → parse.Result

根据传入的模板参数，查找Element对象

*参数说明*：

template - 模板参数

search_all

search_all(template: str) → Union[typing.List[_ForwardRef('Result')], _ForwardRef('Result')]

根据传入的模板参数，查找所有的Element对象

*参数说明*：

template - 模板参数

text

返回Element对象或HTML对象的文本内容（不包含html标签）

xpath

xpath(selector: str, *, clean: bool = False, first: bool = False, _encoding: str = None) → Union[typing.List[str], typing.List[_ForwardRef('Element')], str, _ForwardRef('Element')]

传入一个XPath选择器参数，返回所有的Element对象

*参数说明*：

selector - xpath选择器
clean - 对找到的和是否进行处理
first - 是否只返回第一个结果
**_encoding** - 编码格式

如果指定了一个子选择器（如：//a/@href），将返回一个简单的结果列表

查看更多细节Xpath示例

如果first参数被置为True，则只返回找到的第一个Element对象

五、比较实用的方法

user_agent

*requests_html.user_agent*(style=None) → str 源码

返回一个指定风格的合法的用户代理，默认是Chrome风格的用户代理

六、HTML Sessions

这些sessions用于构造http请求。

class requests_html.HTMLSession(mock_browser=True) 源码

它是一个可被销毁的session，可用于cookie持久化和连接池，以及其他地方。

close()

关闭一个已经被创建的浏览器

delete(url, kwargs)**

发送一个DELETE请求，返回一个Response对象

*参数说明*：

url - 新的请求对象的URL
**kwargs - request携带的参数（可选）

*返回类型*：

requests.Response

get_adapter(url)

返回指定url的一个合适的连接适配器

*返回类型*：

requests.adapters.BaseAdapter

get_redirect_target(resp)

接收一个响应，返回重定向后的URL或none

head(url, kwargs)**

发送一个HEAD请求，返回一个Response对象

*参数说明*：

url - 新的请求对象的URL
**kwargs - request携带的参数（可选）

*返回类型*：

requests.Response

rebuild_auth(prepared_request, response)

当被重定向的时候，我们可能要从请求对象中去掉认证信息，避免认证信息泄露。本方法会自动去掉认证信息，并且重新申请授权，来避免认证信息泄露

rebuild_method(prepared_request, response)

当被重定向的时候，我们可能要修改请求的方法，用来请求某个特殊的页面，或者适应某个特殊的浏览器习惯。

rebuild_proxies(prepared_request, response)

本方法会根据环境变量重新设置代理的配置。如果我们被重定向到一个不需要代理的URL，我们将去掉代理的配置，否则，我们将给该URL添加缺失的代理配置（防止由于之前重定向去掉了代理而造成的请求错误）。

必要时，本方法可以替换Proxy-Authorization头。 *返回类型*：

字典

**request(*args, kwargs)

request(*args, **kwargs) → requests_html.HTMLResponse

使用欺骗性地User–Agent头，构造一个HTTP请求。返回HTTPResponse类对象。

resolve_redirects

resolve_redirects(resp, req, stream=False, timeout=None, verify=True, cert=None, proxies=None, yield_requests=False, **adapter_kwargs)

接收一个响应对象，返回响应对象或请求对象的生成器。

send(request, kwargs)**

发送预请求对象。必要时，本方法可以替换Proxy-Authorization头。

*返回类型*：

requests.Response

七、与浏览器进行交互

附：requests-html库render方法的使用