1. 前言
大家好，我是安果！
今天推荐一款小众轻量级的爬虫库：RoboBrowser
RoboBrowser，Your friendly neighborhood web scraper！由纯 Python 编写，运行无需独立的浏览器，它不仅可以做爬虫，还可以实现 Web 端的自动化
项目地址：
https://github.com/jmcarp/robobrowser
2. 安装及用法
在实战之前，我们先安装依赖库及解析器
PS：官方推荐的解析器是 「lxml」
# 安装依赖
pip3 install robobrowser
# lxml解析器（官方推荐）
pip3 install lxml
RoboBrowser 常见的 2 个功能为：
-
模拟表单 Form 提交
-
网页数据爬取
使用 RoboBrowser 进行网页数据爬取，常见的 3 个方法如下：
-
find
查询当前页面满足条件的第一个元素
-
find_all
查询当前页面拥有共同属性的一个列表元素
-
select
通过 CSS 选择器，查询页面，返回一个元素列表
需要指出的是，RoboBrowser 依赖于 BS4，所以它的使用方法和 BS4 类似
更多功能可以参考：
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/
3. 实战一下
我们以「 百度搜索及爬取搜索结果列表 」为例
3-1 打开目标网站
首先，我们实例化一个 RoboBrowser 对象
from time import sleep
from robobrowser import RoboBrowser
home_url = 'https://baidu.com'
# parser: 解析器，HTML parser; used by BeautifulSoup
# 官方推荐：lxml
rb = RoboBrowser(history=True, parser='lxml')
# 打开目标网站
rb.open(home_url)
然后，使用 RoboBrowser 实例对象中的 open() 方法打开目标网站
3-2 自动化表单提交
首先，使用 RoboBrowser 实例对象获取网页中的表单 Form
然后，通过为表单中的输入框赋值模拟输入操作
最后，使用 submit_form() 方法进行表单提交，模拟一次搜索操作
# 获取表单对象
bd_form = rb.get_form()
print(bd_form)
bd_form['wd'].value = "AirPython"
# 提交表单，模拟一次搜索
rb.submit_form(bd_form)
3-3 数据爬取
分析搜索页面的网页结构，利用 RoboBrowser 中的 select() 方法匹配出所有的搜索列表元素
遍历搜索列表元素，使用 find() 方法查询出每一项的标题及 href 链接地址
# 查看结果
result_elements = rb.select(".result")
# 搜索结果
search_result = []
# 第一项的链接地址
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('第一项地址为:', href)
print(search_result)
最后，使用 RoboBrowser 中的 follow_link() 方法模拟一下「点击链接，查看网页详情」的操作
# 跳转到第一个链接
rb.follow_link(first_href)
# 获取历史
print(rb.url)
需要注意的是，follow_link() 方法的参数为带有 href 值的 a 标签
4. 最后
文中结合百度搜索实例，使用 RoboBrowser 完成了一次自动化及爬虫操作
相比 Selenium、Helium 等，RoboBrowser 更轻量级，不依赖独立的浏览器及驱动
如果想处理一些简单的爬虫或 Web 自动化，RoboBrowser 完全够用；但是面对一些复杂的自动化场景，更建议使用 Selenium、Pyppeteer、Helium 等
我已经将文中完整源码文件传到后台，关注公众号「 AirPython 」，后台回复「 rb 」即可获得
如果你觉得文章还不错，请大家 点赞、分享、留言 下，因为这将是我持续输出更多优质文章的最强动力！
网友评论