python爬虫从入门到放弃之 PyQuery库的使用

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python爬虫从入门到放弃之 PyQuery库的使用相关的知识,希望对你有一定的参考价值。

原文地址https://www.cnblogs.com/zhaof/p/6935473.html

PyQuery库也是一个非常强大又灵活的网页解析库,如果你有前端开发经验的,都应该接触过jQuery,那么PyQuery就是你非常绝佳的选择,PyQuery 是 Python 仿照 jQuery 的严格实现。语法与 jQuery 几乎完全相同,所以不用再去费心去记一些奇怪的方法了。

官网地址:http://pyquery.readthedocs.io/en/latest/
jQuery参考文档: http://jquery.cuishifeng.cn/

初始化

初始化的时候一般有三种传入方式:传入字符串,传入url,传入文件

字符串初始化

复制代码
html = \'\'\'
<div>
    <ul>
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
     </ul>
</div>
\'\'\'

from pyquery import PyQuery as pq
doc = pq(html)
print(doc)
print(type(doc))
print(doc(\'li\'))
复制代码

结果如下:

由于PyQuery写起来比较麻烦,所以我们导入的时候都会添加别名:
from pyquery import PyQuery as pq

这里我们可以知道上述代码中的doc其实就是一个pyquery对象,我们可以通过doc可以进行元素的选择,其实这里就是一个css选择器,所以CSS选择器的规则都可以用,直接doc(标签名)就可以获取所有的该标签的内容,如果想要获取class 则doc(\'.class_name\'),如果是id则doc(\'#id_name\')....

URL初始化

from pyquery import PyQuery as pq

doc = pq(url="http://www.baidu.com",encoding=\'utf-8\')
print(doc(\'head\'))

文件初始化

我们在pq()这里可以传入url参数也可以传入文件参数,当然这里的文件通常是一个html文件,例如:pq(filename=\'index.html\')

基本的CSS选择器

复制代码
html = \'\'\'
<div id="container">
    <ul class="list">
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
     </ul>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
print(doc(\'#container .list li\'))
复制代码

这里我们需要注意的一个地方是doc(\'#container .list li\'),这里的三者之间的并不是必须要挨着,只要是层级关系就可以,下面是常用的CSS选择器方法:

 

查找元素

子元素
children,find
代码例子:

复制代码
html = \'\'\'
<div id="container">
    <ul class="list">
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
     </ul>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
items = doc(\'.list\')
print(type(items))
print(items)
lis = items.find(\'li\')
print(type(lis))
print(lis)
复制代码

运行结果如下

 

从结果里我们也可以看出通过pyquery找到结果其实还是一个pyquery对象,可以继续查找,上述中的代码中的items.find(\'li\') 则表示查找ul里的所有的li标签
当然这里通过children可以实现同样的效果,并且通过.children方法得到的结果也是一个pyquery对象

li = items.children()
print(type(li))
print(li)

同时在children里也可以用CSS选择器

li2 = items.children(\'.active\') print(li2)

父元素
parent,parents方法

通过.parent就可以找到父元素的内容,例子如下:

复制代码
html = \'\'\'
<div id="container">
    <ul class="list">
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
     </ul>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
items = doc(\'.list\')
container = items.parent()
print(type(container))
print(container)
复制代码

通过.parents就可以找到祖先节点的内容,例子如下:

复制代码
html = \'\'\'
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
items = doc(\'.list\')
parents = items.parents()
print(type(parents))
print(parents)
复制代码

结果如下:从结果我们可以看出返回了两部分内容,一个是的父节点的信息,一个是父节点的父节点的信息即祖先节点的信息

 

同样我们通过.parents查找的时候也可以添加css选择器来进行内容的筛选

兄弟元素
siblings

复制代码
html = \'\'\'
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
li = doc(\'.list .item-0.active\')
print(li.siblings())
复制代码

代码中doc(\'.list .item-0.active\') 中的.tem-0和.active是紧挨着的,所以表示是并的关系,这样满足条件的就剩下一个了:thired item的那个标签了
这样在通过.siblings就可以获取所有的兄弟标签,当然这里是不包括自己的
同样的在.siblings()里也是可以通过CSS选择器进行筛选

遍历

单个元素

复制代码
html = \'\'\'
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
</div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
li = doc(\'.item-0.active\')
print(li)

lis = doc(\'li\').items()
print(type(lis))
for li in lis:
    print(type(li))
    print(li)
复制代码

运行结果如下:从结果中我们可以看出通过items()可以得到一个生成器,并且我们通过for循环得到的每个元素依然是一个pyquery对象。

 

获取信息

获取属性
pyquery对象.attr(属性名)
pyquery对象.attr.属性名

复制代码
html = \'\'\'
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
a = doc(\'.item-0.active a\')
print(a)
print(a.attr(\'href\'))
print(a.attr.href)
复制代码

 

所以这里我们也可以知道获得属性值的时候可以直接a.attr(属性名)或者a.attr.属性名

获取文本
在很多时候我们是需要获取被html标签包含的文本信息,通过.text()就可以获取文本信息

复制代码
html = \'\'\'
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
a = doc(\'.item-0.active a\')
print(a)
print(a.text())
复制代码

结果如下:

 

获取html
我们通过.html()的方式可以获取当前标签所包含的html信息,例子如下:

复制代码
html = \'\'\'
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
li = doc(\'.item-0.active\')
print(li)
print(li.html())
复制代码

 

DOM操作

addClass、removeClass
熟悉前端操作的话,通过这两个操作可以添加和删除属性

复制代码
html = \'\'\'
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
li = doc(\'.item-0.active\')
print(li)
li.removeClass(\'active\')
print(li)
li.addClass(\'active\')
print(li)
复制代码

attr,css
同样的我们可以通过attr给标签添加和修改属性,
如果之前没有该属性则是添加,如果有则是修改
我们也可以通过css添加一些css属性,这个时候,标签的属性里会多一个style属性

复制代码
html = \'\'\'
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
li = doc(\'.item-0.active\')
print(li)
li.attr(\'name\', \'link\')
print(li)
li.css(\'font-size\', \'14px\')
print(li)
复制代码

结果如下:

 

remove
有时候我们获取文本信息的时候可能并列的会有一些其他标签干扰,这个时候通过remove就可以将无用的或者干扰的标签直接删除,从而方便操作

复制代码
html = \'\'\'
<div class="wrap">
    Hello, World
    <p>This is a paragraph.</p>
 </div>
\'\'\'
from pyquery import PyQuery as pq
doc = pq(html)
wrap = doc(\'.wrap\')
print(wrap.text())
wrap.find(\'p\').remove()
print(wrap.text())
复制代码

结果如下:

 

pyquery中DOM的其他api操作参考:
http://pyquery.readthedocs.io/en/latest/api.html

 

以上是关于python爬虫从入门到放弃之 PyQuery库的使用的主要内容,如果未能解决你的问题,请参考以下文章

python爬虫从入门到放弃之 Selenium库的使用

python爬虫从入门到放弃之 Urllib库的基本使用

python爬虫从入门到放弃之 Urllib库的基本使用

python爬虫从入门到放弃之 Requests库的基本使用

python爬虫从入门到放弃之 Requests库的基本使用

python爬虫从入门到放弃之 BeautifulSoup库的使用