爬虫新宠requests_html 带你甄别2019虚假大学 #华为云·寻找黑马程序员#

学习python模块，给大家个我自己不专业的建议：

python3.6+ pip install requests-html
python3.5 pip install requests-html==0.6.6
再强调一次，requests_html仅支持3.5+，且最新版本的requests_html仅支持3.6+ ，3.5的最后一个版本为0.6.6。
安装时，你会发现，requests-html依赖了很多其他模块，统一封装后，让开发变得更加无脑：

Successfully installed appdirs-1.4.3 bs4-0.0.1 certifi-2019.3.9 chardet-3.0.4
cssselect-1.0.3 fake-useragent-0.1.11 idna-2.8 lxml-4.3.3 parse-1.12.0
pyee-6.0.0 pyppeteer-0.0.25 pyquery-1.4.0 requests-2.22.0 requests-html-0.10.0
six-1.12.0 tqdm-4.32.1 w3lib-1.20.0 websockets-7.0

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.

举几个毛栗子

from requests_html import HTMLSession session = HTMLSession() r = session.get('https://www.baidu.com/') 

• 获取网页内容

print(r.html.html)

• 获取链接

print(r.html.links)
print(r.html.absolute_links)
links和absolute_links两个属性分别返回HTML对象所包含的所有链接和绝对链接（均不包含锚点）

• 通过CSS选择器获取元素

r.html.find([selector],[first=True])
selector选择器，使用jQuery风格。如果不熟悉，给你个jQuery的官网传送门：https://api.jquery.com/category/selectors/
添加first=True则为find ，不添加则为findAll，简洁明了…
但需要注意，如果没有添加first=True，即便返回一个元素，结果也将是list类型

• 通过xpath获取元素

r.html.xpath(’//*[@id=“su”]’, first=True) # 获取百度一下按钮地址…

• 元素具体内容

# 获取网站html内容 r.html.html # 获取网站文本内容 r.html.text # 上面俩内容太多就不打印了... # 获取元素的属性 print(r.html.xpath('//*[@id="su"]', first=True).attrs) output: {'class': ('bg', 's_btn'), 'id': 'su', 'type': 'submit', 'value': '百度一下'} 

• JavaScript支持

requests_html的js执行是亮点，但是毁在了默认安装上…
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。

但是，模块在安装的时候由于SSLCertVerificationError问题，没办法进行自动化安装：

urllib3.exceptions.MaxRetryError: HTTPSConnectionPool(host=‘storage.googleapis.com’, port=443): Max retries exceeded with url: /chromium-browser-snapshots/Win_x64/575458/chrome-win32.zip (Caused by SSLError(SSLCertVerificationError(1, ‘[SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: unable to get local issuer certificate (_ssl.c:1056)’)))

好在模块给出了地址，拼接host和uri即可进行下载：
http://storage.googleapis.com//chromium-browser-snapshots/Win_x64/575458/chrome-win32.zip
我家里下载好慢，这点就不演示了，大家对这官网扭一扭吧…

requests-html示例
到了今天今天的重点了，使用requests-html获取2019中国虚假大学！

“虚假大学”是未在教育部备案，不具备招生资格、没有办学资质、涉嫌非法招生和网络诈骗的“虚假大学”。

 这些虚假大学数据统计，来源于人民日报。其中还闹过一个笑话，一个网站转载人民日报的这条新闻时，误将中国邮电大学写成了北京邮电大学,结果北邮发飙要求该媒体即刻修改并致歉！然后，人民日报表示躺着也中枪.为人民日报献上一首白智英的***像中枪一样***。
好了不发散回正题，为了演示requests-html示例，找到了这个网站：
高三网：http://www.gaosan.com/gaokao/249708.html
网站以文本的格式，列出了392所虚假大学名单！那么，我们就用requests-html，获取一下它的数据，让你们看看requests-html有多简单！

分析下下网站结构，清楚明白，数据包裹在<div id=”data249708″>内部，从第三个p标签开始为我们所需要的数据。

代码实现：
 

# -*- coding: utf-8 -*- # @Author : 王翔 # @JianShu : 清风Python # @Date : 2019/6/27 1:28 # @Software : PyCharm # @version ：Python 3.7.3 # @File : PseudoCollege.py from requests_html import HTMLSession import json class PseudoCollege: def __init__(self, url): self.url = url self.headers = {"User-Agent": ("Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 " "(KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36") } def get_response(self): session = HTMLSession() return session.get(self.url, headers=self.headers) def filter_info(self): html_data = self.get_response() # 从第三个P标签开始，获取虚假大学数据 return html_data.html.find('div#data249708 p')[2:] @staticmethod def get_json(data): info = {} city = None for line in data: # 每个城市会显示为 <p><strong>北京：151所</strong></p> if 'strong' in line.html: # 拆分城市与虚假大学数量 city, total_college = line.text.split('：') # 构造字典 info[city] = dict(total=total_college, data=[]) continue info[city]['data'].append(line.text) with open('colleges.json', 'w+', encoding='utf-8') as f: # ensure_ascii默认为True,json.dump后会被转码... f.write(json.dumps(info, ensure_ascii=False)) def run(): url = 'http://www.gaosan.com/gaokao/249708.html' main = PseudoCollege(url) data = main.filter_info() main.get_json(data) if __name__ == '__main__': run() 

叫College感觉有点讽刺…最终将这些学校保存至colleges.json的文本中，我看看结果片段：

 ... ... , "陕西": { "total": "16所", "data": [ "西安电子信息学院", "西安理工学院", "西安工商学院", "西安科技师范大学", "西安信息技术学院", "西安工商管理学院", "西安工业科技技术学院", "西安工业科技学院", "陕西国防工业技术学院", "陕西瀚林医科学院", "西安工业工程学院", "陕西工贸职业学院", "西安科技职业学院", "西安经济技术学院", "西安机电工程学院", "陕西科技管理学院" ] }, "福建": { "total": "5所", "data": [ "厦门师范学院", "福建海峡经贸技术学院", "福建经济贸易大学", "福建科技学院", "福建省轻工业学院" ] }, ... ... 

一个不留神又搞到二半夜了，哎…
快将这392所虚假大学名单，传播给你身边有孩子高考的朋友吧。
OK,今天的内容就到这里，如果觉得有帮助，欢迎将文章或我的微信公众号【清风Python】分享给更多喜欢python的人，谢谢。

原文链接：https://www.cnblogs.com/huaweicloud/p/11861623.html