诚心推荐一款小众又好用的 Python 爬虫库

本文链接：https://blog.youkuaiyun.com/weixin_56537764/article/details/115461997

今天要给大家分下一个我发现的宝藏小众爬虫库：MechanicalSoup
在这里插入图片描述

首先安装依赖库

# 安装依赖库
pip3 install MechanicalSoup

实例化浏览器对象

使用 mechanicalsoup 内置的 StatefulBrowser() 方法可以实例化一个浏览器对象

import mechanicalsoup

# 实例化浏览器对象
browser = mechanicalsoup.StatefulBrowser(user_agent='MechanicalSoup')

实例化的同时，参数可以执行 User Agent 及数据解析器，默认解析器为 lxml

打开网站及返回值

使用浏览器实例对象的 open(url) 即可以打开一个网页，返回值类型为：requests.models.Response

# 打开一个网站
result = browser.open("http://httpbin.org/")

print(result)

# 返回值类型：requests.models.Response
print(type(result))

通过返回值可以发现，使用浏览器对象打开网站相当于使用 requests 库对网站进行了一次请求

网页元素及当前 URL

使用浏览器对象的「url」属性可以获取当前页面的 URL 地址；浏览器的「 page 」属性用于获取页面的所有网页元素内容

# 当前网页URL地址
url = browser.url
print(url)

# 查看网页的内容
page_content = browser.page
print(page_content)

表单操作

浏览器对象内置的 select_form(selector) 方法用于获取当前页面的 Form 表单元素

如果当前网页只有一个 Form 表单参数就可以省略

# 获取当前网页中某个表单元素
# 利用action来过滤
browser.select_form('form[action="/post"]')

# 如果网页只有一个Form表单，参数可以省略
browser.select_form()

form.print_summary() 用于将表单内全部元素打印出来

form = browser.select_form()

# 打印当前选定表单内部全部元素
form.print_summary()

至于表单内的 input 普通输入框、单选框 radio、复选框 checkbox

# 1、普通输入框
# 通过input的name属性直接设置值，模拟输入
browser["norm_input"] = "普通输入框的值"

# 2、单元框radio
# 通过name属性值，选择某一个value值
# <input name="size" type="radio" value="small"/>
# <input name="size" type="radio" value="medium"/>
# <input name="size" type="radio" value="large"/>
browser["size"] = "medium"

# 3、复选框checkbox
# 通过name属性值，选择某几个值
# <input name="topping" type="checkbox" value="bacon"/>
# <input name="topping" type="checkbox" value="cheese"/>
# <input name="topping" type="checkbox" value="onion"/>
# <input name="topping" type="checkbox" value="mushroom"/>
browser["topping"] = ("bacon", "cheese")

浏览器对象的 submit_selected(btnName) 方法用于提交表单

注意：提交表单后的返回值类型为：requests.models.Response

# 提交表单（模拟单击“提交”按钮）
response = browser.submit_selected()

print("结果为:",response.text)

# 结果类型：requests.models.Response
print(type(response))

调试利器

浏览器对象 browser 提供了一个方法：launch_browser()

用于启动一个真实的 Web 浏览器，可视化展示当前网页的状态。
但是不会真实打开网页，而是创建一个包含页面内容的临时页面，并将浏览器指向这个文件

以爬取文章标题及链接地址为例：

1 打开目标网站，并指定随机 UA

import mechanicalsoup
from faker import Factory

home_url = 'https://weixin.sogou.com/'

# 实例化一个浏览器对象
# user_agent：指定UA
f = Factory.create()
ua = f.user_agent()
browser = mechanicalsoup.StatefulBrowser(user_agent=ua)

# 打开目标网站
result = browser.open(home_url)

2 表单提交，搜索一次
在这里插入图片描述
使用浏览器对象获取网页中的表单元素，然后给表单中的 input 输入框设置值，最后模拟表单提交

# 获取表单元素
browser.select_form()

# 打印表单内所有元素信息
# browser.form.print_summary()

# 根据name属性，填充内容
browser["query"] = "Python"

# 提交
response = browser.submit_selected()

3 数据爬取

search_results = browser.get_current_page().select('.news-list li .txt-box')

print('搜索结果为:', len(search_results))

# 网页数据爬取
for result in search_results:
    # a标签
    element_a = result.select('a')[0]

    # 获取href值
    # 注意：这里的地址经过调转才是真实的文章地址
    href = "https://mp.weixin.qq.com" + element_a.attrs['href']

    text = element_a.text

    print("标题：", text)
    print("地址:", href)

# 关闭浏览器对象
browser.close()

4 反反爬
MechanicalSoup 除了设置 UA，还可以通过浏览器对象的「 session.proxies 」设置代理 IP

# 代理ip
proxies = {
    'https': 'https_ip',
    'http': 'http_ip'
}

# 设置代理ip
browser.session.proxies = proxies

根据以上使用 MechanicalSoup 就可以完成了一次自动化及爬虫操作。

相比 Selenium，最大的区别是 Selenium 可以和 JS 进行交互；而 MechanicalSoup 不行。

但是对于一些简单的自动化场景，MechanicalSoup 是一种简单、轻量级的解决方案，相对于其他来说，MechanicalSoup 是更好的选择。

在这里还是要推荐Python学习群:645415122，群里都是学Python的，如果你想学或者正在学习Python ，会不定期分享干货，大家都是刚入门的小白和自学Python的朋友，都会分享一些资料，当然包括我自己整理的一份2021最新的Python进阶资料和零基础教学，欢迎进阶中和对Python感兴趣的小伙伴加入！

**以下内容无用，为本篇博客被搜索引擎抓取使用
(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)
python 是干什么的零基础学 python 要多久 python 为什么叫爬虫
python 爬虫菜鸟教程 python 爬虫万能代码 python 爬虫怎么挣钱
python 基础教程网络爬虫 python python 爬虫经典例子
python 爬虫
(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(￣︶￣)(￣︶￣)
以上内容无用，为本篇博客被搜索引擎抓取使用