0
点赞
收藏
分享

微信扫一扫

Python网页解析库:用requests-html爬取网页


首先,要有心理准备,不是说会自动化,就不用干手# Python网页解析库:用requests-html爬取网页

1. 开始

Python 中可以进行网页解析的库有很多,常见的有 BeautifulSoup 和 lxml 等。在网上玩爬虫的文章通常都是介绍 BeautifulSoup 这个库,我平常也是常用这个库,最近用 Xpath 用得比较多,使用 BeautifulSoup 就不大习惯,很久之前就知道 Reitz 大神出了一个叫 Requests-HTML 的库,一直没有兴趣看,这回可算歹着机会用一下了。

使用 ​​pip install requests-html​​安装,上手和 Reitz 的其他库一样,轻松简单:

from requests_html import HTMLSession
session = HTMLSession()

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

这个库是在 requests 库上实现的,r 得到的结果是 Response 对象下面的一个子类,多个一个 ​​html​​ 的属性。所以 requests 库的响应对象可以进行什么操作,这个 r 也都可以。如果需要解析网页,直接获取响应对象的 html 属性:

r.html

2. 原理

不得不膜拜 Reitz 大神太会组装技术了。实际上 HTMLSession 是继承自 requests.Session 这个核心类,然后将 requests.Session 类里的 requests 方法改写,返回自己的一个 HTMLResponse 对象,这个类又是继承自 requests.Response,只是多加了一个 ​​_from_response​​ 的方法来构造实例:

class HTMLSession(requests.Session):
# 重写 request 方法,返回 HTMLResponse 构造
def request(self, *args, **kwargs) -> HTMLResponse:
r = super(HTMLSession, self).request(*args, **kwargs)
return HTMLResponse._from_response(r, self)

class HTMLResponse(requests.Response):
# 构造器
@classmethod
def _from_response(cls, response, session: Union['HTMLSession', 'AsyncHTMLSession']):
html_r = cls(session=session)
html_r.__dict__.update(response.__dict__)
return

之后在 HTMLResponse 里定义属性方法 html,就可以通过 html 属性访问了,实现也就是组装 PyQuery 来干。核心的解析类也大多是使用 PyQuery 和 lxml 来做解析,简化了名称,挺讨巧的。

3. 元素定位

元素定位可以选择两种方式:

css 选择器

  • css选择器
  • xpath

# css 获取有多少个职位
jobs = r.html.find("h1.call-to-action")
# xpath 获取
jobs = r.html.xpath("//h1[@class='call-to-action']")

方法名非常简单,符合 Python 优雅的风格,这里不妨对这两种方式简单的说明:

4. CSS 简单规则

  • 标签名 h1
  • id 使用​​#id​​ 表示
  • class 使用​​.class_name​​ 表示
  • 谓语表示:​​h1[prop=value]​

5. Xpath简单规则

  • 路径​​// 或者 /​
  • 标签名
  • 谓语 [@prop=value]
  • 轴定位​​名称::元素名[谓语]​

定位到元素以后势必要获取元素里面的内容和属性相关数据,获取文本:

jobs.text
jobs.full_text

获取元素的属性:

attrs = jobs.attrs
value = attrs.get("key")

还可以通过模式来匹配对应的内容:

## 找某些内容匹配
r.html.search("Python {}")
r.html.search_all()

这个功能看起来比较鸡肋,可以深入研究优化一下,说不定能在 github 上混个提交。

6. 人性化操作

除了一些基础操作,这个库还提供了一些人性化的操作。比如一键获取网页的所有超链接,这对于整站爬虫应该是个福音,URL 管理比较方便:

r.html.absolute_links
r.html.links

内容页面通常都是分页的,一次抓取不了太多,这个库可以获取分页信息:

print(r.html)
# 比较一下
for url in r.html:
print(url)

结果如下:

# print(r.html)
<HTML url='https://www.python.org/jobs/'>
# for
<HTML url='https://www.python.org/jobs/'>
<HTML url='https://www.python.org/jobs/?page=2'>
<HTML url='https://www.python.org/jobs/?page=3'>
<HTML url='https://www.python.org/jobs/?page=4'>
<HTML url='https://www.python.org/jobs/?page=5'>

通过迭代器实现了智能发现分页,这个迭代器里面会用一个叫 ​​_next​​ 的方法,贴一段源码感受下:

def get_next():
candidates = self.find('a', containing=next_symbol)

for candidate in candidates:
if candidate.attrs.get('href'):
# Support 'next' rel (e.g. reddit).
if 'next' in candidate.attrs.get('rel', []):
return candidate.attrs['href']

通过查找 a 标签里面是否含有指定的文本来判断是不是有下一页,通常我们的下一页都会通过 ​​下一页​​​ 或者 ​​加载更多​​​ 来引导,他就是利用这个标志来进行判断。默认的以列表形式存在全局:​​['next', 'more', 'older']​​。我个人认为这种方式非常不灵活,几乎没有扩展性。感兴趣的可以往 github 上提交代码优化。

7. 加载 js

也许是考虑到了现在 js 的一些异步加载,这个库支持 js 运行时,官方说明如下:

Reloads the response in Chromium, and replaces HTML content
with an updated version, with JavaScript executed.

使用非常简单,直接调用以下方法:

r.html.render()

第一次使用的时候会下载 Chromium,不过国内你懂的,自己想办法去下吧,就不要等它自己下载了。render 函数可以使用 js 脚本来操作页面,滚动操作单独做了参数。这对于上拉加载等新式页面是非常友好的。

8. 总结

Reitz 大神设计出来的东西还是一如既往的简单好用,自己不多做,大多用别人的东西组装,简化 api。真是够人性。不过有的地方还是优化空间,希望有兴趣和精力的童鞋去 github 上关注一下这个项目。 自动化测试没有办法完全取代手工测试,有些测试场景,自动化的成本要明显高于手工。

其次,咱们把平时的测试工作简单分一下类,手工测试最常见的就是基于界面的测试,通常可以串起来整套流程。 但是对于分层测试来说,接口测试是一种回报率更高的方式,自动化测试在接口测试的应用是最普遍的。 当然,还有性能,安全,这些一般都是自动化来实现。

然后,再来说一下技能。技能一般分为工具和代码两种,他们都可以达到自动化测试的效果。 如果代码能力较差,一般会先会一些工具过渡,然后再把编程能力提上来。 而且一定需要注意的是,业务测试的能力是绝对不能丢的。

工具常用的有 jmeter, postman 这样的工具,现在国内也出现了像 metersphere, apifox 等等自动化工具,都可以了解一下,其中,我个人觉得 jmeter 是要重点掌握的,它的能力足够强,既可以做全流程的接口测试,也可以做性能测试。

然后是界面端的工具,一般就是集成录制和回放功能,然后生成代码片段,以及一些遍历工具。 像 selenium ide, cypress, katalon studio 等等。 cypress 会比较流行一点,但是需要会一点 javascript 基础。 这一类工具的实用性不是很强,要么就是迁移性较差,要么就是应用不广泛,还有的是学习成本高。

接下来,说一下编程。当会一些工具之后,一般都会掌握一两门编程语言。一方面,会编程职业前景会好一点,另一方面,很多工具都会支持通过编程来自定义脚本。

编程语言的选择,测试领域一般是 python 和 java,如果没有接触过,两个选一个就行了。 如果前端测得多,要求高,最好学一下 javascript。 对于测试来说,刚开始上手的时候,我觉得没有必要太精通,花过多心思在各种编程语言的进阶用法上,能写出测试用例就差不多了,在工作中再去提升。

掌握好编程语言后,会接触各种各样的框架和库,他们就是去干具体的测试工作的。以 Python 为例,做用例编写,用例收集,用例运行,测试报告生成会用到单元测试框架,比如 unittest 和 pytest。

接口自动化一般会用到 requests / aiohttp / httpx 这样的库, 界面端会用到像 selenium / playwright / appium /airtest 这样的框架, 性能会用到 jmeter/ locust 这样的东西。

以他们为核心,要实现的大多数测试场景和技术,都很少从零开始写,会用到具体的库,比如怎么操作 csv 文件,怎么操作 yaml, 怎么实现参数化,怎么控制数据库,怎么处理数据依赖,怎么做数据生成,怎么清理垃圾数据, 怎么实现并发,怎么做分布式处理,怎么做集成,怎么部署自动化执行环境,就不一一展开说了。

有缘再聊吧。

我是九柄,公众号【 九柄 】,分享软件测试文章、面试、教程资料,欢迎来看看。


举报

相关推荐

0 条评论