高级网络请求模块

原创

bruce_xiaowei 2024-04-16 11:27:56 博主文章分类：笔记 ©著作权

文章标签 网络 python https 网络安全爬虫 文章分类 Python 后端开发

©著作权归作者所有：来自51CTO博客作者bruce_xiaowei的原创作品，请联系作者获取转载授权，否则将追究法律责任

高级网络请求模块

Requests-Cache的安装与测试

Requests-Cache模块是requests模块的一个扩展功能，用于为requests模块提供持久化缓存支持。如果requests模块向一个URL发送重复请求时，Requests-Cache模块将会自动判断当前的网络请求时否产生了缓存。如果已经产生了缓存，就会从缓存中读取数据作为响应内容。如果没有缓存就会向服务器发送网络请求，获取服务器所返回的响应内容。使用Requests-Cache模块可以减少网络资源避免重复请求的次数，这样可以变相地躲避一些反爬机制。

说明

无论是否使用了Anaconda，都需要单独安装Requests-Cache模块，因为Anaconda中并不包含该模块。

Python 3.9.9 (v3.9.9:ccb0e6a345, Nov 15 2021, 13:29:20) 
[Clang 6.0 (clang-600.0.57)] on darwin
>>>import requests_cache
>>>version = requests_cache.__version__
>>>print(version)
0.9.1

缓存的应用

调用install_cache()函数实现Requests-Cache的请求，语法格式如下：

install_cache(cache_name='cache', backend=None, expire_after=None, allowable_codes=(200, ), allowable_methods=('GET', ), session_factory=<class 'requests_cache.core.CachedSession'>,
**backend_options)

Install_cache()函数中包含了多个参数，每个参数的含义如下：

§ cache_name: 表示缓存文件的名称，默认为cache

§ backend: 表示设置缓存的存储机制，默认为None，表示默认使用sqlite进行存储

§ expire_after: 表示设置缓存的有效时间，默认为None,表示永久有效

§ allowable_codes：表示设置状态码，默认为200

§ allowable_methods：表示设置请求方式，默认为GET，表示只有GET请求才可以生产缓存

§ session_factory: 表示设置缓存执行的对象，需要实现CachedSession类

§ **backend_options: 如果缓存的存储方式为sqlite、mongo、redis数据库，该参数表示设置数据库的连接方式

在使用install_cache()函数实现请求缓存时，一般情况下时不需要单独设置任何参数的，只需要使用默认参数即可。判断是否存在缓存的代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：1/30/22 8:32 AM
# 文件      ：判断缓存是否存在.py
# IDE      ：PyCharm

# 导入requests_cache模块
import requests_cache

# 导入网络请求模块
import requests

# 设置缓存
requests_cache.install_cache()

# 清理缓存
requests_cache.clear()

# 定义测试地址
url = 'http://httpbin.org/get'

# 第一次发送网络请求
r = requests.get(url)

# False表示不存在缓存
print('是否存在缓存：', r.from_cache)

# 第二次发送网络请求
r = requests.get(url)

# True表示存在缓存
print('是否存在缓存：', r.from_cache)

程序运行结果如下：

是否存在缓存： False
是否存在缓存： True

针对反爬措施，在多次请求中设置延时是不错的选择。但是如果在第一次请求后生成了缓存，那么第二次请求时就无需设置延时，为此Requests-Cache模块可以使用自定义钩子函数的方式，合理判断是否需要设置延时操作。示例代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：1/30/22 8:57 AM
# 文件      ：利用钩子函数判断是否需要设置延时.py
# IDE      ：PyCharm

# 导入Requests_Cache模块
import requests_cache

# 导入时间模块
import time

# 设置缓存
requests_cache.install_cache()

# 清理缓存
requests_cache.clear()

# 定义钩子函数
def make_throttle_hook(timeout = 0.1):
    def hook(response, *args, **kwargs):
        print(response.text)
        # 判断没有缓存时就添加延时
        if not getattr(response, 'from_cache', False):
            print('等待', timeout, '秒！')
            # 等待指定时间
            time.sleep(timeout)
        else:
            # 存在缓存输出True
            print('是否存在请求缓存！', response.from_cache)
        return response
    return hook

if __name__ == '__main__':
    requests_cache.install_cache()
    requests_cache.clear()
    s = requests_cache.CachedSession()
    s.hooks = {'response': make_throttle_hook(2)}   # 配置钩子函数

    # 模拟发送第一次网络请求
    s.get('http://httpbin.org/get')
    # 模拟发送第二次网络请求
    s.get('http://httpbin.org/get')

程序运行结果：

第一次运行结果：

{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.27.1", 
    "X-Amzn-Trace-Id": "Root=1-61f5e91a-5c923abe41da544561b5f400"
  }, 
  "origin": "139.209.219.102", 
  "url": "http://httpbin.org/get"
}

等待2秒

第二次请求结果

{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.27.1", 
    "X-Amzn-Trace-Id": "Root=1-61f5e91a-5c923abe41da544561b5f400"
  }, 
  "origin": "139.209.219.102", 
  "url": "http://httpbin.org/get"
}

二次请求存在缓存

是否存在请求缓存！ True

从以上的运行结果看，通过配置钩子函数可以实现：在第一次请求时，因为没有请求缓存所以执行了2秒等待延时；第二次请求时则没有执行2秒延时，并输出是否存在请求缓存行为True。

说明

Requests-Cache模块支持4种不同的存储机制，分别为money、sqlite、mongoDB以及redid，具体说明如下：

§ memory: 以字典的形式将缓存存储在内存当中，程序运行完后缓存将被销毁

§ sqlite: 将缓存存储在sqlite数据库中

§ mongoDB：将缓存存储在mongoDB数据库中

§ redis: 将缓存存储在redis数据库当中

使用Requests-Cache模块指定缓存不同的存储机制时，只需要为install_cache()函数中backend参数赋值即可，设置方式如下：

# 导入Requests_Cache模块
import requests_cache

# 设置缓存为内存的存储机制
requests_cache.install_cache(backend='memory')

# 设置缓存为sqlite数据库的存储机制
requests_cache.install_cache(backend='sqlite')

# 设置缓存为mongoDB数据库的存储机制
requests_cache.install_cache(backend='mongoDB')

# 设置缓存为redis数据库的存储机制
requests_cache.install_cache(backend='redis')

设置存储机制为mongoDB与redis数据库时，需要提取安装对应的操作模块与数据库。安装模块的命令如下：

pip install pymongo
pip install redis

强大的Requests-HTML模块

Requests-HTML 模块是requets模块的亲兄弟，是同一个开发者所开发的。Requests-HTML模块不仅包含了requests模块中的所有功能，还增加了对JavaScript的支持、数据提取以及模拟真实浏览器等功能。

使用Requests-HTML模块实现网络请求

§ 1、get()请求

通过’pip install requests-html’命令进行模块的安装，然后导入Requests-HTML模块中的HTMLSession类，接着需要创建HTML会话对象，通过会话实例进行网络请求的发送，示例代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：1/30/22 3:48 PM
# 文件      ：使用Requests-HTML模块实现网络请求.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession

# 创建HTML会话对象
session = HTMLSession()

# 定义请求地址
url = 'http://news.youth.cn/'

# 发送网络请求
r = session.get(url)

# 打印网络请求的URL地址
print(r.html)

程序运行结果如下：

<HTML url='http://news.youth.cn/'>

§ 2、post()请求

在实现网络请求时，POST请求也是一种比较常见的请求方式，使用Requests-HTML实现POST请求与requests的实现方法类似都需要单独设置表单参数data,不过它也是需要通过会话实例进行网络请求的发送，示例代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：1/30/22 4:44 PM
# 文件      ：post()请求.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession

# 创建HTML会话对象
session = HTMLSession()

# 模拟表单登录的数据
data = {'user':'admin', 'password':123456}

# 发送POST请求
r = session.post('http://httpbin.org/post', data = data)
# 判断请求是否成功
if r.status_code == 200:
    print(r.text)

程序运行结果如下：

{
  "args": {}, 
  "data": "", 
  "files": {}, 
  # 表单数据
  "form": {
    "password": "123456", 
    "user": "admin"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "26", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    # User-Agent对应的值
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/603.3.8 (KHTML, like Gecko) Version/10.1.2 Safari/603.3.8", 
    "X-Amzn-Trace-Id": "Root=1-61f6509d-56a381b4543229480fe07e56"
  }, 
  "json": null, 
  "origin": "139.209.219.102", 
  "url": "http://httpbin.org/post"
}

从以上的运行结果中，不仅可以看到form所对应的表单内容，还可以看到User-Agent所对应的值，并不是像requests模块发送网络请求时返回的默认值(python-requests/2.27.1)，而是一个真实的浏览器请求头信息，这与requests模块所发送的网络请求有着细小的改进。

§ 3、修改请求头信息

说到请求头信息，Requests-HTML模块是可通过指定headers参数来对默认的浏览器请求头信息进行修改的，修改请求头信息的关键代码如下：

ua = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36 Edg/97.0.1072.76'
}
r = session.post('http://httpbin.org/post', data = data, headers = ua)

§ Requests-HTML模块中添加了UserAgent类，使用该类可以实现随机生成请求头。示例代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：1/30/22 9:06 PM
# 文件      ：生成随机请求头信息.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession, UserAgent

# 创建HTML会话对象
session = HTMLSession()

# 创建随机请求头
ua =UserAgent().random
r = session.get('http://httpbin.org/get', headers = {'user-agent': ua})

# 判断请求是否成功
if r.status_code == 200:
    # 以文本形式打印返回结果
    print(r.text)

程序运行结果如下：

{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    # 请求头信息
    "User-Agent": "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:17.0) Gecko/20100101 Firefox/17.0.6", 
    "X-Amzn-Trace-Id": "Root=1-61f69454-0b37eb40198f0f4b237fc7e8"
  }, 
  "origin": "139.209.219.102", 
  "url": "http://httpbin.org/get"
}

{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    # 请求头信息
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_2) AppleWebKit/537.17 (KHTML, like Gecko) Chrome/24.0.1309.0 Safari/537.17", 
    "X-Amzn-Trace-Id": "Root=1-61f693aa-0d20428a3a73766723017536"
  }, 
  "origin": "139.209.219.102", 
  "url": "http://httpbin.org/get"
}

备注

以上运行是在Anaconda的Jupiter notebook 下运行。Pycharm 报错，应该是解释器的问题。

数据的提取

以往使用requests模块实现爬虫程序时，还需要为其配置一个解析HTML代码的搭档。Requests-HTML模块对此进行了一个比较大的升级，不仅支持CSS选择器还支持XPath的节点提取方式。

• 1、CSS选择器

CSS选择器中需要使用HTML的find()方法，该方法中包含5个参数，其语法格式与参数含义如下：

find(selector:str='*', containing:_Containing=None, clean:bool=False,first:bool=False,_encoding:str=None)

§ selector: 使用CSS选择器定位网页元素

§ containing：通过指定文本获取网页元素

§ clean：是否清除HTML中的

§ first：是否只返回网页中第一个元素，默认为False表示全部返回

§ _encoding：表示编码格式

• 2、XPath选择器

Xpath选择器同样需要使用HTML进行调用，该方法中有4个参数，其语法格式与参数含义如下：

xpath(selector:str, clean:bool=False,first:bool=False,_encoding:str=None)

§ selector：使用XPath选择器定位网页元素

§ clean：是否清楚HTML中的

§ first：是否只返回网页中第一个元素，默认为False表示全部返回

§ _encoding：表示编码格式

• 3、爬取即时新闻

学习了Requests-HTML模块中两种提取数据的函数后，以爬取‘中国青年网’即时新闻为例，数据提取的具体步骤如下：

（1）在浏览器中打开网页地址（http://news.youth.cn/jsxw/index.htm)，然后按快捷键在‘开发者工具’界面中选择Elements功能选项，确认‘即时新闻’列表内新闻信息所在HTML标签的位置。如下图：

高级网络请求模块_https

(2)在图中可以看出新闻标题在

标签中的标签内，而标签中的href属性值为当前新闻详情页的部分URL地址时，会自动显示完整的详情页地址。如下图：

（3）定位以上‘新闻标题’‘新闻详情url地址’以及‘新闻发布时间’信息位置以后，首先创建HTML会话与获取随机请求对象，然后对‘即时新闻’首页发送网络请求，代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：1/30/22 10:34 PM
# 文件      ：爬取即时新闻.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession,UserAgent

# 创建HTML会话对象
session = HTMLSession()

# 创建随机请求头
ua = UserAgent().random

# 发送网络请求
r = session.get('http://news.youth.cn/jsxw/index.htm', headers = {'user-agent': ua})

# 编码
r.encoding='gb2312'

（4）网络请求发送完成以后，需要通过请求状态码判断请求是否为200，如果是200则表示请求成功，然后根据数据定位的标签分别获取‘新闻标题’，‘新闻详情url地址‘以及新闻的发布时间，代码如下：

# 判断请求是否成功
if r.status_code == 200:
    # 获取所有class=tj3_1中的<li>标签
    li_all = r.html.xpath('.//ul[@class="tj3_1"]/li')
    # 遍历每个<li>标签
    for li in li_all:
        # 提取新闻标题内容
        news_title = li.find('a')[0].text
        # 获取新闻详情对应的地址
        news_href = 'http://news.youth.cn/jsxw'+\
            li.find('a[href]')[0].attrs.get('href').lstrip('.')
        # 获取新闻发布时间
        news_time = li.find('font')[0].text
        # 打印新闻标题
        print('新闻标题为：', news_title)
        # 打印新闻URL地址
        print('新闻url地址为：', news_href)
        # 打印新闻发布时间
        print('新闻发布时间为:', news_time)

程序运行结果如下：

新闻标题为： 北京市气象台发布道路结冰黄色预警信号
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415644.htm
新闻发布时间为: 2022-01-30 20:44:00
新闻标题为： 天津新增11例确诊病例 均为隔离管控人员
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415638.htm
新闻发布时间为: 2022-01-30 20:38:00
新闻标题为： 速看！2月起这些新规将施行，如何影响你我生活？
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415533.htm
新闻发布时间为: 2022-01-30 19:18:00
新闻标题为： 想带萌宠坐火车回家过年？这些事你需要知道！
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415416.htm
新闻发布时间为: 2022-01-30 18:00:00
新闻标题为： 我国首批54家国家级旅游休闲街区名单正式公布
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415357.htm
新闻发布时间为: 2022-01-30 17:29:00
新闻标题为： 北京新增高风险地区3个，现有3地高风险7地中风险
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415338.htm
新闻发布时间为: 2022-01-30 17:25:00
新闻标题为： 杭州富阳区公布11例确诊病例活动轨迹
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415155.htm
新闻发布时间为: 2022-01-30 16:15:00
新闻标题为： 央行：2021年末金融机构人民币各项贷款余额192.69万亿元，同比增长11.6%
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415179.htm
新闻发布时间为: 2022-01-30 16:24:00
新闻标题为： 俄乌紧张局势未缓 英国考虑对北约进行大规模军力部署
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415173.htm
新闻发布时间为: 2022-01-30 16:21:00
新闻标题为： 科普：虎年说虎——全球老虎生存保护状况
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415168.htm
新闻发布时间为: 2022-01-30 16:21:00
新闻标题为： 央行：2021年末金融机构各项贷款余额超192万亿元
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415166.htm
新闻发布时间为: 2022-01-30 16:21:00
新闻标题为： 日本冬奥会参赛选手史上最多 四对姐妹花引人注目
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415165.htm
新闻发布时间为: 2022-01-30 16:21:00
新闻标题为： 杭州市卫健委：核酸检测能力充裕 完全能满足需求
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415095.htm
新闻发布时间为: 2022-01-30 16:00:00
新闻标题为： 联合国专家遇害 刚果(金)判51人死刑
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13415082.htm

• 4、find()方法中containing 参数

如果需要获取

标签中指定的新闻内容时，可以使用find()方法中的containing 参数，以获取关于‘新冠疫情’相关新闻内容为例，示例代码如下：

for li in r.html.find('li',containing='新冠疫情'):
        # 提取新闻标题内容
        news_titile = li.find('a')[0].text
        # 获取新闻详情对应的地址
        news_href = 'http://news.youth.cn/jsxw'+\
            li.find('a[href]')[0].attrs.get('href').lstrip('.')
            # 获取新闻发布时间
        news_time = li.find('font')[0].text
            # 打印新闻标题
        print('新闻标题为：', news_title)
            # 打印新闻URL地址
        print('新闻url地址为：', news_href)
            # 打印新闻发布时间
        print('新闻发布时间为:', news_time)

程序运行结果如下：

新闻发布时间为: 2022-01-30 08:54:00
新闻标题为： 黑龙江省新增本土确诊病例4例
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414311.htm
新闻发布时间为: 2022-01-30 09:48:00
新闻标题为： 秘鲁遇严重生态灾难：海滩原油泄漏量高达12000桶
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414296.htm
新闻发布时间为: 2022-01-30 09:42:00
新闻标题为： 渲染乌克兰局势，蔡英文向美表“忠心”
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414291.htm
新闻发布时间为: 2022-01-30 09:39:00
新闻标题为： 国家卫健委：昨日新增本土确诊病例54例
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414270.htm
新闻发布时间为: 2022-01-30 09:24:00
新闻标题为： 天津全面加强春节期间常态化疫情防控
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414267.htm
新闻发布时间为: 2022-01-30 09:27:00
新闻标题为： 北京新增20例本土确诊病例，本轮本土疫情感染者已过百
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414261.htm
新闻发布时间为: 2022-01-30 09:23:00
新闻标题为： 朝鲜发射导弹 韩将举行国家安全保障会议全体会议
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414253.htm
新闻发布时间为: 2022-01-30 09:18:00
新闻标题为： 杭州民政：疫情期间“白事”出殡送葬人数控制在10人以内
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414235.htm
新闻发布时间为: 2022-01-30 09:12:00

• 5、search()方法与search_all()方法

除了使用find()与path()这两种方法提取数据以外，还可以使用serach()方法与searc_all()方法，通过关键字提取相应的数据信息。其中search()方法表示查找符合条件的第一个元素，而search_all()方法则表示符合条件的所有元素。

使用search()方法获取关于’新冠疫情’新闻信息为例，示例代码如下：

for li in r.html.find('li', containing='新冠疫情'):
        a = li.search('<a href="{}">{}</a>') # 获取<li>标签中<a>标签内的新闻地址与新闻标题
        # 提取新闻标题
        news_title = a[1]
        # 提取新闻地址
        news_href = 'http://news.youth.cn/jsxw'+a[0]
        # 获取与新冠疫情相关新闻的发布时间
        print('新闻标题为：',news_title)
        # 打印新闻标题
        print('新闻url地址为:', news_href)
        # 打印新闻发布时间
        print('新闻发布时间：', news_time)

新闻标题为： 国家卫健委：昨日新增本土确诊病例54例
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414270.htm
新闻发布时间为: 2022-01-30 09:24:00
新闻标题为： 天津全面加强春节期间常态化疫情防控
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414267.htm
新闻发布时间为: 2022-01-30 09:27:00
新闻标题为： 北京新增20例本土确诊病例，本轮本土疫情感染者已过百
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414261.htm
新闻发布时间为: 2022-01-30 09:23:00
新闻标题为： 朝鲜发射导弹 韩将举行国家安全保障会议全体会议
新闻url地址为： http://news.youth.cn/jsxw/202201/t20220130_13414253.htm
新闻发布时间为: 2022-01-30 09:18:00

使用search_all()方法获取关于‘新冠疫情’新闻信息为例，示例代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：2/1/22 9:08 PM
# 文件      ：search()与search_all()方法.py
# IDE      ：PyCharm

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：2/1/22 7:08 PM
# 文件      ：find()方法中containing参数.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession,UserAgent
import ssl

ssl._create_default_https_context = ssl._create_unverified_context
# 创建HTML会话对象
session = HTMLSession()

# 创建随机请求头
#ua = UserAgent().random
ua = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36'
# 发送网络请求
r = session.get('http://news.youth.cn/jsxw/index.htm', headers = {'user-agent': ua})
r.encoding='gb2312'

# 判断请求是否成功
if r.status_code == 200:

    for li in r.html.find('li', containing='新冠疫情'):
        a = li.search('<a href="{}">{}</a>')

        # 提取新闻标题内容
        news_title = a[1]
        # 获取新闻详情对应的地址
        news_href = 'http://news.youth.cn/jsxw' + a[0].lstrip('.')
        # 获取新闻发布时间
        news_time = li.search('<font>{}</font>')[0]
        # 打印新闻标题
        print('新闻标题为：', news_title)
        # 打印新闻URL地址
        print('新闻url地址为：', news_href)
        # 打印新闻发布时间
        print('新闻发布时间为:', news_time)

使用search_all()方法获取关于‘疫情’新闻信息为例，代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：2/1/22 9:32 PM
# 文件      ：search_all()方法.py
# IDE      ：PyCharm

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：1/30/22 10:34 PM
# 文件      ：爬取即时新闻.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession,UserAgent
import ssl
# 导入正则表达式模块
import re

ssl._create_default_https_context = ssl._create_unverified_context
# 创建HTML会话对象
session = HTMLSession()

# 创建随机请求头
ua = UserAgent().random

# 发送网络请求
r = session.get('http://news.youth.cn/jsxw/index.htm', headers = {'user-agent': ua})
r.encoding = 'gb2312'


# 判断请求是否成功
if r.status_code == 200:
    # 获取所有class=tj3_1中的<li>标签
    class_tj3_1 = r.html.xpath('.//ul[@class="tj3_1"]')
    #使用search_all()方法获取所有class=tj3_1中的<li>标签
    li_all = class_tj3_1[0].search_all('<li>{}</li>')
    # 遍历每个<li>标签
    for li in li_all:
        # 判断<li>标签内容中是否存在关键字'新冠疫情'
        if '新冠' in li[0]:
            # 通过正则表达式获取<a>标签中的新闻信息
            a = re.findall('<font>(.*?)</font><a href="(.*?)">(.*?)</a>', li[0])

        # 提取新闻标题内容
            news_title = a[0][2]
        # 获取新闻详情对应的地址
            news_href = 'http://news.youth.cn/jsxw'+ a[0][1]
        # 获取新闻发布时间
            news_time = a[0][0]
        # 打印新闻标题
            print('新闻标题为：', news_title)
        # 打印新闻URL地址
            print('新闻url地址为：', news_href)
        # 打印新闻发布时间
            print('新闻发布时间为:', news_time)

程序运行结果如下：

新闻标题为： 广东惠州报告1例新冠肺炎确诊病例 系深圳病例的密接者
新闻url地址为： http://news.youth.cn/jsxw./202202/t20220201_13418373.htm
新闻发布时间为: 2022-02-01 18:35:00
新闻标题为： 全国新冠疫苗接种超30亿剂次
新闻url地址为： http://news.youth.cn/jsxw./202201/t20220131_13416613.htm
新闻发布时间为: 2022-01-31 15:19:00
新闻标题为： 全国新冠疫苗接种剂次超30亿
新闻url地址为： http://news.youth.cn/jsxw./202201/t20220131_13416596.htm
新闻发布时间为: 2022-01-31 15:01:00
新闻标题为： 天津市1月30日新增11例本土新冠肺炎确诊病例
新闻url地址为： http://news.youth.cn/jsxw./202201/t20220131_13416089.htm
新闻发布时间为: 2022-01-31 08:23:00
新闻标题为： 绥芬河市公布19例新冠肺炎确诊病例、无症状感染者活动轨迹
新闻url地址为： http://news.youth.cn/jsxw./202201/t20220130_13414507.htm
新闻发布时间为: 2022-01-30 11:09:00
新闻标题为： 调查：超七成美国人对新冠大流行感到疲倦和沮丧
新闻url地址为： http://news.youth.cn/jsxw./202201/t20220130_13414465.htm
新闻发布时间为: 2022-01-30 10:48:00

说明

在使用search()与search_all()方法获取数据时，方法中的一个"{}"表示获取一个内容

获取动态加载的数据

在爬取网页数据时，经常会遇到直接对网页地址发送请求，可返回的HTML代码中并没有所需要的数据情况。遇到这样的情况，多数都是因为网页数据使用了Ajax请求并由JavaScript渲染到网页当中。例如爬取（https://movie.douban.com/tag/#?sort=U&range=0, 10&tags=%E7%94%B5%E5%BD%B1,2021)豆瓣2021年电影数据，就是需要通过浏览器开发者工具获取Ajax请求后的电影信息。

高级网络请求模块_网络_02

为了避免如上图所示的麻烦操作，Requests-HTML模块提供了render()方法，第一次调用该方法将会自动下载Chromium浏览器，然后通过该浏览器直接加载JavaScript渲染后的信息，使用render()方法爬取豆瓣2021年电影数据的具体步骤如下：

(1) 创建HTML会话与随机请求头对象，然后发送网络请求，在请求成功的情况下调用render()方法获取网页中的JavaScript渲染后的信息，代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：2/1/22 10:27 PM
# 文件      ：使用render()方法获取动态加载的数据.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession, UserAgent

# 创建HTML会话对象
session = HTMLSession()
# 创建随机请求头
ua = UserAgent().random
# 发送网络请求
r = session.get('https://movie.douban.com/tag/#?sort=U&range=0, 10&tags=%E7%94%B5%E5%BD%B1,2021', headers = {'user-agent':ua})
# 编码
r.encoding='gb2312'
# 判断请求是否成功
if r.status_code == 200:
    # 调用render()方法，没有Chromium浏览器就自动下载
    r.html.render()

(2) 运行步骤2中代码，由于第一次调用render()方法，所以会自动下载Chromium浏览器，下载完成后控制台将显示如下图所示的信息。

高级网络请求模块_网络安全_03

注意

在第一次调用render()方法，如果报错，在命令提示符中执行pip install-U "urllib3<1.25"命令，降低Anaconda中urllib3模块版本即可解决。

（3）打开浏览器开发者工具，在Elements功能选项的界面中确认电影信息所在HTML标签的位置。

高级网络请求模块_python_04

（4）编写获取电影信息的代码，首先获取当前页面中所有电影信息的标签，然后在标签中逐个获取电影名称、电影评分、详情页URL地址以及图片地址。代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：2/1/22 10:27 PM
# 文件      ：使用render()方法获取动态加载的数据.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession, UserAgent
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

# 创建HTML会话对象
session = HTMLSession()
# 创建随机请求头
ua = UserAgent().random
# 发送网络请求
r = session.get('https://movie.douban.com/tag/#/?sort=U&range=0,10&tags=%E7%94%B5%E5%BD%B1,2021', headers = {'user-agent':ua})
# 编码
r.encoding='gb2312'
# 判断请求是否成功
if r.status_code == 200:
     # 调用render()方法，没有Chromium浏览器就自动下载
     r.html.render(scrolldown=4, sleep=2)      # render()必填参数scrolldown, 否则返回结果为空，因为Ajax加载的动态网页

 # 获取当前页面中所有电影信息的a标签
     class_wp = r.html.xpath(".//div[@class='list-wp']/a")

     for a in class_wp:

         title = a.find('p span')[0].text  # 获取电影名称
         rate = a.find('p span')[1].text     # 获取电影评分
         details_url = a.attrs.get('href')  # 获取详情页URL地址
         img_url = a.find('img')[0].attrs.get('src')   # 获取图片URL地址

         print('电影名称：', title)
         print('电影评分：', rate)
         print('详情页地址：', details_url)
         print('图片地址：', img_url)

程序运行结果如下：

电影名称： 长津湖
电影评分： 7.4
详情页地址： https://movie.douban.com/subject/25845392/
图片地址： https://img9.doubanio.com/view/photo/s_ratio_poster/public/p2681329386.jpg
电影名称： 我和我的父辈
电影评分： 6.6
详情页地址： https://movie.douban.com/subject/35294995/
图片地址： https://img2.doubanio.com/view/photo/s_ratio_poster/public/p2683055011.jpg
电影名称： 摩加迪沙
电影评分： 8.1
详情页地址： https://movie.douban.com/subject/33457594/
图片地址： https://img2.doubanio.com/view/photo/s_ratio_poster/public/p2695961421.jpg
电影名称： 沙丘
电影评分： 7.7
详情页地址： https://movie.douban.com/subject/3001114/
图片地址： https://img9.doubanio.com/view/photo/s_ratio_poster/public/p2687443734.jpg
电影名称： 失控玩家
电影评分： 7.5
详情页地址： https://movie.douban.com/subject/30337388/
图片地址： https://img9.doubanio.com/view/photo/s_ratio_poster/public/p2677520025.jpg
电影名称： 怒火·重案
电影评分： 7.2
详情页地址： https://movie.douban.com/subject/30174085/
图片地址： https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2673412189.jpg
电影名称： 盛夏未来
电影评分： 7.1
详情页地址： https://movie.douban.com/subject/35158124/
图片地址： https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2673420377.jpg
电影名称： 中国医生
电影评分： 6.9
详情页地址： https://movie.douban.com/subject/35087699/
图片地址： https://img9.doubanio.com/view/photo/s_ratio_poster/public/p2666591984.jpg
电影名称： 你好，李焕英
电影评分： 7.8
详情页地址： https://movie.douban.com/subject/34841067/
图片地址： https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2629056068.jpg
电影名称： 图兰朵：魔咒缘起
电影评分： 3.1

总结

这个案例最初运行的时候返回结果为None,xpath路径完全没有问题，百思不得其解。因为第一次接触render()函数，示例代码如下：

#_*_coding:utf-8_*_
# 作者      ：liuxiaowei
# 创建时间   ：2/1/22 10:27 PM
# 文件      ：使用render()方法获取动态加载的数据.py
# IDE      ：PyCharm

# 导入HTMLSession类
from requests_html import HTMLSession, UserAgent
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

# 创建HTML会话对象
session = HTMLSession()
# 创建随机请求头
ua = UserAgent().random
# 发送网络请求
r = session.get('https://movie.douban.com/tag/#/?sort=U&range=0,10&tags=%E7%94%B5%E5%BD%B1,2021', headers = {'user-agent':ua})
# 编码
r.encoding='gb2312'
# 判断请求是否成功
if r.status_code == 200:
     # 调用render()方法，没有Chromium浏览器就自动下载
     r.html.render()      # 最初是没有任何参数的

 # 获取当前页面中所有电影信息的a标签
     class_wp = r.html.xpath(".//div[@class='list-wp']/a")

     for a in class_wp:

         title = a.find('p span')[0].text  # 获取电影名称
         rate = a.find('p span')[1].text     # 获取电影评分
         details_url = a.attrs.get('href')  # 获取详情页URL地址
         img_url = a.find('img')[0].attrs.get('src')   # 获取图片URL地址

         print('电影名称：', title)
         print('电影评分：', rate)
         print('详情页地址：', details_url)
         print('图片地址：', img_url)

程序运行结果如下：

/Users/liuxiaowei/PycharmProjects/爬虫练习/venv/bin/python /Users/liuxiaowei/PycharmProjects/爬虫练习/高级网络请求模块/获取动态加载的数据/使用render()方法获取动态加载的数据.py
[]

Process finished with exit code 0

通过查询render()渲染网页，相关用法，了解到Ajax动态网页数据加载更多内容，其实就类似网页滚动，要触发加载，就涉及到了scrolldown这个参数，本例设置render(scrolldown = 4, sleep = 2)。至此问题圆满解决。

归纳总结

高级网络请求模块_网络安全_05