这篇文章是伟兄给我的稿子，总结实用、到位。另外，欢迎访问并关注他的博客：
https://jl-zhenlaixiaowei.blog.csdn.net/

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是否产生了缓存。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 
152021
, 
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
defmake_throttle_hook(timeout = 0.1):
defhook(response, *args, **kwargs):
        print(response.text)

# 判断没有缓存时就添加延时
ifnot
 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
继续阅读
阅读原文