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#

python模块学习建议学习python模块，给大家个我自己不专业的建议：养成习惯，遇到一个模块，先去github上看看开发者们关于它的说明，而不是直接百度看别人写了什么东西。也许后者可以让你很快入门，可那样你更多的是在吃别人剩下的。而访问Github，你可以在里面获取到更多作者想告诉你的内容和相关的链接地址。怎么评估一个模块好不好，最简单的办法就是看star，requests_html的...

华为云开发者联盟

2194人浏览 · 2019-07-29 11:14:15

华为云开发者联盟 · 2019-07-29 11:14:15 发布

python模块学习建议

学习python模块，给大家个我自己不专业的建议：

养成习惯，遇到一个模块，先去github上看看开发者们关于它的说明，而不是直接百度看别人写了什么东西。也许后者可以让你很快入门，可那样你更多的是在吃别人剩下的。而访问Github，你可以在里面获取到更多作者想告诉你的内容和相关的链接地址。怎么评估一个模块好不好，最简单的办法就是看star，requests_html的star：9794，已经算很高的了。requests_html的Git地址：https://github.com/kennethreitz/requests-html。作者提供了官网http://html.python-requests.org/，用于更详细的使用描述。
python模块下载，多数情况大家使用pip install xxxx轻松搞定。但请记住这个网址：https://pypi.org/。在你下载模块前，先去搜索下它，看看pypi给你什么提示与要求。就比如requests_html，官方明确说明了，最新版本的requests-html 0.10.0 Requires: Python >=3.6.0。而支持3.5的最后一个版本是pip install requests-html==0.6.6

requests-html学习

安装

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

下面举几个官网的栗子，内容来自：http://html.python-requests.org/

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"
    ]
  },
  ... ...