爬虫基础之PyQuery
文章目录
前言
本文主要展示了PyQuery的基本使用和常见操作。
一. PyQuery 基本操作
1.1 初始化
1.1.1 字符串初始化
from pyquery import PyQuery as pq
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>
'''
doc = pq(html)
print(doc('li')) # 类似于 CSS 选择器
1.1.2 URL 初始化
doc = pq(url="http://www.baidu.com")
print(doc('head'))
1.1.3 文件初始化
doc = pq(filename='demo.html')
print(doc('li'))
1.2 基本 CSS 选择器
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>
'''
doc = pq(html)
print(doc('#container .list li'))
# '#' 表示id , '.' 表示下级 li 列表不用 '.'
1.3 查找元素
1.3.1 子元素
items = doc('.list')
print(type(items))
print(items)
lis = items.find('li')
print(type(lis))
print(lis)
# 单纯的子节点
lis = items.children()
print(type(lis))
print(lis)
# 子节点中带有某种元素
lis = items.children('.active')
print(type(lis))
print(lis)
# +++++++++++++++++++++++++++++++++++++++++++++++++++++++++ #
# 父节点
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>
'''
doc = pq(html)
items = doc('.list')
container = items.parent()
print(type(container))
print(container)
# 发现这里要取父节点的话,只会出现一级父节点,而且本级的结点本身也会展现出来。
# +++++++++++++++++++++++++++++++++++++++++++++++++++++++++ #
parents = items.parents() # 父节点
print(type(parents))
print(parents)
# 与上面不同的是,这里使用的是parents(),然后展现的是上面两级的父节点。
parent = items.parents('.wrap')
print(parent)
# +++++++++++++++++++++++++++++++++++++++++++++++++++++++++ #
# 兄弟元素
li = doc('.list .item-0.active') # 后面的 ‘.’与前面没有空格,表示同级别结点
print(li.siblings())
print(li.siblings('.active')) # 直接去特定的子节点
1.4 遍历
1.4.1 单个元素
li = doc('.item-0.active')
print(li)
# +++++++++++++++++++++++++++++++++++++++++++ #
lis = doc('li').items()
print(type(lis))
for li in lis: print(li)
二. PyQuery 高级操作
2.1 获取信息
2.1.1 获取属性
from pyquery import PyQuery as pq
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>
'''
doc = pq(html)
a = doc('.item-0.active a')
print(a)
print(a.attr('href'))
print(a.attr.href)
2.1.2 获取文本
print(a)
print(a.text)
2.1.3 获取 HTML
li = doc('item-0.active')
print(li)
print(li.html())
2.2 DOM操作
DOM表示分割文档中的信息的能力,包括添加、编辑,它还包含使用这些对象所必需的方法和属性。
2.2.1 addClass, removeClass
li = doc('.item-0.active')
print(li)
li.removeClass('active')
print(li)
li.addClass('active')
print(li)
2.2.2 attr, css
li = doc('.item-0.active')
print(li)
li.attr('name', 'link')
print(li)
li.css('font-size', '14px')
print(li)
2.2.3 remove
html = '''
<div class="wrap">
Hello, World
<p>This is a paragraph.</p>
</div>
'''
doc = pq(html)
wrap = doc('.wrap')
print(wrap.text())
wrap.find('p').remove()
print(wrap.text())
其他DOM方法 http://pyquery.readthedocs.io/en/latest/api.html
2.3 伪类选择器
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>
'''
doc = pq(html)
li = doc('li:first-child') # 第一个节点
print(li)
li = doc('li:last-child') # 最后一个节点
print(li)
li = doc('li:nth-child(2)') # 第二个节点
print(li)
li = doc('li:gt(2)') # 第二个及其之后的式子(从0开始算)
print(li)
li = doc('li:nth-child(2n)') # 第偶数个节点
print(li)
li = doc('li:contains(second)') # contains 内的 第二个。
print(li)
更多CSS选择器可以查看 http://www.w3school.com.cn/css/index.asp
官方文档 http://pyquery.readthedocs.io/
总结
今天主要是学习了PyQuery库的基础知识和简单的使用。其实这个库跟BeautifulSoup里面的CSS选择器很相似。对该库有兴趣的小伙伴可以观看官方文档进一步学习。
溜了遛了,脑壳疼。Loading(33/100)。。