推薦一款小眾且好用的 Python 爬蟲庫

1. 前言

大家好，我是安果！

今天推薦一款小眾輕量級(jí)的爬蟲庫：RoboBrowser

RoboBrowser，Your friendly neighborhood web scraper！由純 Python 編寫，運(yùn)行無需獨(dú)立的瀏覽器，它不僅可以做爬蟲，還可以實(shí)現(xiàn) Web 端的自動(dòng)化

項(xiàng)目地址：

https://github.com/jmcarp/robobrowser

2. 安裝及用法

在實(shí)戰(zhàn)之前，我們先安裝依賴庫及解析器

PS：官方推薦的解析器是 「lxml」

# 安裝依賴
pip3 install robobrowser

# lxml解析器（官方推薦）
pip3 install lxml

RoboBrowser 常見的 2 個(gè)功能為：

• 模擬表單 Form 提交

• 網(wǎng)頁數(shù)據(jù)爬取

使用 RoboBrowser 進(jìn)行網(wǎng)頁數(shù)據(jù)爬取，常見的 3 個(gè)方法如下：

• find

  查詢當(dāng)前頁面滿足條件的第一個(gè)元素

• find_all

  查詢當(dāng)前頁面擁有共同屬性的一個(gè)列表元素

• select

  通過 CSS 選擇器，查詢頁面，返回一個(gè)元素列表
  

需要指出的是，RoboBrowser 依賴于 BS4，所以它的使用方法和 BS4 類似

更多功能可以參考：

https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

3. 實(shí)戰(zhàn)一下

我們以「 百度搜索及爬取搜索結(jié)果列表 」為例

3-1  打開目標(biāo)網(wǎng)站

首先，我們實(shí)例化一個(gè) RoboBrowser 對(duì)象

from time import sleep

from robobrowser import RoboBrowser

home_url = 'https://baidu.com'

#  parser: 解析器，HTML parser; used by BeautifulSoup
#  官方推薦：lxml
rb = RoboBrowser(history=True, parser='lxml')

# 打開目標(biāo)網(wǎng)站
rb.open(home_url)

然后，使用 RoboBrowser 實(shí)例對(duì)象中的 open() 方法打開目標(biāo)網(wǎng)站

3-2  自動(dòng)化表單提交

首先，使用 RoboBrowser 實(shí)例對(duì)象獲取網(wǎng)頁中的表單 Form

然后，通過為表單中的輸入框賦值模擬輸入操作

最后，使用 submit_form() 方法進(jìn)行表單提交，模擬一次搜索操作

# 獲取表單對(duì)象
bd_form = rb.get_form()

print(bd_form)

bd_form['wd'].value = "AirPython"

# 提交表單，模擬一次搜索
rb.submit_form(bd_form)

3-3  數(shù)據(jù)爬取

分析搜索頁面的網(wǎng)頁結(jié)構(gòu)，利用 RoboBrowser 中的 select() 方法匹配出所有的搜索列表元素

遍歷搜索列表元素，使用 find() 方法查詢出每一項(xiàng)的標(biāo)題及 href 鏈接地址

# 查看結(jié)果
result_elements = rb.select(".result")

# 搜索結(jié)果
search_result = []

# 第一項(xiàng)的鏈接地址
first_href = ''

for index, element in enumerate(result_elements):
    title = element.find("a").text
    href = element.find("a")['href']
    search_result.append(title)

    if index == 0:
        first_href = element.find("a")
        print('第一項(xiàng)地址為:', href)

print(search_result)

最后，使用 RoboBrowser 中的 follow_link() 方法模擬一下「點(diǎn)擊鏈接，查看網(wǎng)頁詳情」的操作

# 跳轉(zhuǎn)到第一個(gè)鏈接
rb.follow_link(first_href)

# 獲取歷史
print(rb.url)

需要注意的是，follow_link() 方法的參數(shù)為帶有 href 值的 a 標(biāo)簽

4. 最后

文中結(jié)合百度搜索實(shí)例，使用 RoboBrowser 完成了一次自動(dòng)化及爬蟲操作

相比 Selenium、Helium 等，RoboBrowser 更輕量級(jí)，不依賴獨(dú)立的瀏覽器及驅(qū)動(dòng)

如果想處理一些簡單的爬蟲或 Web 自動(dòng)化，RoboBrowser 完全夠用；但是面對(duì)一些復(fù)雜的自動(dòng)化場景，更建議使用 Selenium、Pyppeteer、Helium 等