强大灵活的网页解析库。如果你觉得正则写起来太麻烦,或者BeautifulSoup语法太难记,如果你熟悉jQuery的语法,那么pyquery就是最佳选择。它与jQuery api相同,可以无缝迁移
1.pyquery库的了解
pyquery库是jQuery的Python实现,能够以jQuery的语法来操作解析 HTML 文档,易用性和解析速度都很好。
1.1 pyquery库的安装方法:
在cmd输入:pip install pyquery
1.2 pyquery库的引用:(注意大小写)
from pyquery import PyQuery as pq
2.pyquery初始化
像BeautifulSoup一样,PyQuery初始化的时候也需要传入HTML数据源来初始化一个操作对象,它的初始化方式有多种,比如直接传入字符串,传入URL,传文件名。下面我们来详细介绍一下。
2.1直接传入字符串
在这里我们首先引入了PyQuery这个对象,取别名为pq,然后声明了一个长HTML字符串,当作参数传递给PyQuery,这样就成功完成了初始化,然后接下来将初始化的对象传入CSS选择器,在这个实例中我们传入li节点,这样就可以选择所有的li节点,打印输出可以看到所有的li节点的HTML文本。
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("li"))
<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>
2.2传入URL
初始化的参数不仅可以以字符串的形式传递,还可以传入网页的URL,在这里只需要指定参数为url即可。
>>> from pyquery import PyQuery as pq
>>> doc=pq(url="http://www.baidu.com")
>>> print(doc("head")) #输出head标签
<head><meta http-equiv="content-type" content="text/html;charset=utf-8"/>
<meta http-equiv="X-UA-Compatible" content="IE=Edge"/>
<meta content="always" name="referrer"/>
<link rel="stylesheet" type="text/css" href="http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css"/>
<title>百度</title>
</head>
这样的话PyQuery会首先请求这个URL,然后用得到的HTML内容完成初始化,其实就相当于我们用网页的源代码以字符串的形式传递给PyQuery来初始化。
它与下面的功能是相同的:
>>> from pyquery import PyQuery as pq
>>> import requests
>>> doc=pq(requests.get("http://www.baidu.com").text)
>>> print(doc("head"))
<head><meta http-equiv="content-type" content="text/html;charset=utf-8"/><meta http-equiv="X-UA-Compatible" content="IE=Edge"/><meta content="always" name="referrer"/><link rel="stylesheet" type="text/css" href="http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css"/>
<title>百度</title>
</head>
>>>
2.3传文件名
当然除了传递一个URL,还可以传递本地的文件名,参数指定为filename即可。
当然在这里需要有一个本地HTML文件demo.html,内容是待解析的HTML字符串。这样它会首先读取本地的文件内容,然后用文件内容以字符串的形式传递给PyQuery来初始化。
以上三种初始化方式均可,当然最常用的初始化方式还是以字符串形式传递。
3.基本CSS选择器
从这一节开始,我们就要对PyQuery对象进行操作,获得我们想要的各种数据。你会看到解析网页,不论什么库,基本原理实际上是没有区别的,学会了一种解析库。再看其他解析库文档,是很容易理解的。
在 CSS 中,选择器是一种模式,用于选择需要添加样式的元素。
本文只讲clas id 和element最常见的css选择器。对css不太懂了,也没关系,可以去w3c的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>
'''
在这里我们初始化PyQuery对象之后,传入了一个CSS选择器,#container .list li,意思是选取id为container的节点内部的class为list的节点内部的所有li节点。然后打印输出,可以看到成功获取到了符合条件的节点。
然后我们将它的类型打印输出,可以看到它的类型依然是PyQuery类型。有层级的关系需要用空格隔开.
>>> from pyquery import PyQuery as pq
>>> doc=pq(html)
>>> print(doc("#container .list li"))
<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>
4.查找元素
下面我们介绍一些常用的查询函数,这些函数和jQuery中的函数用法也完全相同。
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>
'''
4.1子元素
查找子节点需要用到find()方法,传入的参数是CSS选择器,我们还是以上面的HTML为例。可以使用层层嵌套的方式.
'''
>>> from pyquery import PyQuery as pq
>>> doc=pq(html)
>>> items=doc(".list")
>>> print(type(items))
<class 'pyquery.pyquery.PyQuery'>
>>> print(items)
<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>
>>> list=items.find("li")
>>> print(type(list))
<class 'pyquery.pyquery.PyQuery'>
>>> print(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>
首先我们选取了class为list的节点,然后我们调用了find()方法,传入了CSS选择器,选取其内部的li节点,最后都打印输出即可观察到对应的查询结果,可以发现find()方法会将符合条件的所有节点选择出来,结果的类型是PyQuery类型。
其实find()的查找范围是节点的所有子孙节点,而如果我们只想查找子节点,那可以用children()方法。
>>> list = items.children()
>>> print(type(list))
<class 'pyquery.pyquery.PyQuery'>
>>> print(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>
如果要筛选所有子节点中符合条件的节点,比如我们想筛选出子节点中class
为active
的节点,可以向children()方法传入CSS选择器.active
>>> list = items.children('.active')
>>> print(list)
<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>
4.2父元素
4.2.1parent()方法
我们可以用parent()方法来获取某个节点的父节点,我们用一个实例来感受一下:
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>
'''
以下案例分析:
•
在这里我们首先用.list选取了class为list的节点,然后调用了parent()方法,得到其父节点,类型 依然是PyQuery类型 。
•
这里的父节点是该节点的直接父节点,也就是说,它不会再去查找父节点的父节点,即祖先节点。
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> items = doc('.list')
>>> container = items.parent()
>>> print(type(container))
<class 'pyquery.pyquery.PyQuery'>
>>> print(container)
<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>
4.2.2parents()方法
以下案例:但是如果我们想获取某个祖先节点怎么办呢?可以用parents()方法。
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>
'''
parents查找所有的父亲节点,返回两个结果.
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> items = doc('.list')
>>> parents = items.parents()
>>> print(type(parents))
<class 'pyquery.pyquery.PyQuery'>
>>> print(parents)
<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><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>
parents可进行再次筛选
>>> parent = items.parents('.wrap')
>>> print(parent)
<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>
>>>
4.3兄弟元素
在上面我们说明了子节点和父节点的用法,还有一种节点那就是兄弟节点,如果要获取兄弟节点可以使用siblings()方法。我们还是以上面的HTML代码为例来感受一下:
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>
'''
属性没有加空格表表示同一个标签列里面,是并列的意思.在这里我们首先选择了class为list的节点内部的class为item-0和active的节点,也就是第三个li节点。
那么很明显它的兄弟节点有四个,那就是第一、二、四、五个li节点。可以看到运行结果也正是我们刚才所说的四个兄弟节点。
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> li = doc('.list .item-0.active')
>>> print(li.siblings())
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-0">first item</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>
果要筛选某个兄弟节点,我们依然可以向方法传入CSS选择器,这样就会从所有兄弟节点中挑选出符合条件的节点了。
在这里我们筛选了class为active的节点,通过刚才的结果我们可以观察到class为active的兄弟节点只有第四个li节点,所以结果应该是一个,如下:
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> li = doc('.list .item-0.active')
>>> print(li.siblings('.active'))
<li class="item-1 active"><a href="link4.html">fourth item</a></li>
5.遍历
我们刚才可以观察到,PyQuery的选择结果可能是多个节点,可能是单个节点,类型都是PyQuery类型,并没有返回像BeautifulSoup一样的列表。
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>
'''
5.1单个元素
对于单个节点来说,我们可以直接打印输出,也可直接转成字符串。
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> li = doc('.item-0.active')
>>> print(li)
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
5.2多个元素
如下案例:
•对于多个节点的结果,我们就需要遍历来获取了,例如这里我们把每一个li节点进行遍历,,需要调用items()方法。•在这里我们可以发现调用items()方法后,会得到一个生成器,遍历一下,就可以逐个得到li节点对象了,它的类型也是PyQuery类型,所以每个li标签还可以调用前面所说的方法进行选择,比如继续查询子节点,寻找某个祖先节点等等,非常灵活。
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> lis=doc("li").items()
>>> print(type(list))
<class 'pyquery.pyquery.PyQuery'>
>>> for li in lis:
print(li)
<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>
6.获取信息
提取到节点之后,我们的最终目的当然是提取节点所包含的信息了,比较重要的信息有两类,一是获取属性,二是获取文本,下面我们分别进行说明。
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>
'''
6.1获取属性
提取到某个PyQuery类型的节点之后,我们可以调用attr()方法来获取属性,有两种方式可以进行获取,如下:
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> a = doc('.item-0.active a')#这里有个空格,则选择里面的标签
>>> print(a)
<a href="link3.html"><span class="bold">third item</span></a>
>>> print(a.attr('href'))#方法一
link3.html
>>> print(a.attr.href)#方法二
link3.html
注意:
•当返回结果包含多个节点时,调用attr()方法只会得到第一个节点的属性。•在进行属性获取的时候观察一下返回节点是一个还是多个,如果是多个,则需要遍历才能依次获取每个节点的属性。
6.2获取文本
获取节点之后的另一个主要的操作就是获取其内部的文本了,我们可以调用text()方法来获取
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> a = doc('.item-0.active a')
>>> print(a)
<a href="link3.html"><span class="bold">third item</span></a>
>>> print(a.text())
third item
我们首先选中了一个a节点,然后调用了text()方法,就可以获取其内部的文本信息了,它会忽略掉标签内部包含的所有HTML,只返回纯文字内容。
6.3获取HTML
但如果我们想要获取这个节点内部的HTML文本,就可以用html()方法。
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> li = doc('.item-0.active')
>>> print(li)
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
>>> print(li.html())
<a href="link3.html"><span class="bold">third item</span></a>
这里我们选中了第三个li节点,然后调用了html()方法,它返回的结果应该是li标签内的所有HTML文本。
6.4获取属性/文本/HTML总结
注意:这里同样有一个问题,如果我们选中的结果是多个节点,text()或html()会返回什么内容?
•我们选中的是所有的li节点,可以发现html()方法返回的是第一个li节点的内部HTML文本,而text()则返回了所有的li节点内部纯文本
,中间用一个空格分割开,实际上是一个字符串。•如果我们得到的结果是多个节点,如果要获取每个节点的内部HTML文本,则需要遍历每个节点,而text()方法不需要遍历就可以获取,它是将所有节点取文本之后合并成一个字符串。
7.DOM操作
PyQuery提供了一系列方法来对节点进行动态修改操作,比如为某个节点添加一个class,移除某个节点等等,这些操作有时候会为提取信息带来极大的便利。
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>
'''
7.1addClass、removeClass
首先我们选中了第三个li节点,然后调用了removeClass()方法,将li的active这个class移除,后来又调用了addClass()方法,又将class添加回来,每执行一次操作,就打印输出一下当前li节点的内容。
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> li = doc('.item-0.active')
>>> print(li)
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
>>> li.removeClass('active')#[<li.item-0>]
>>> print(li)
<li class="item-0"><a href="link3.html"><span class="bold">third item</span></a></li>
>>> li.addClass('active')#[<li.item-0.active>]
>>> print(li)
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
可以看到一共进行了三次输出,第二次输出li标签的active这个class被移除了,第三次class又添加回来了。所以说我们addClass()、removeClass()这些方法可以动态地改变节点的class属性。
7.2attr、css
7.2.1attr
当然除了操作class这个属性,也有attr()方法来专门针对属性进行操作
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> li = doc('.item-0.active')
>>> print(li)
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
>>> li.attr('name', 'link')#[<li.item-0.active>]
>>> print(li)
<li class="item-0 active" name="link"><a href="link3.html"><span class="bold">third item</span></a></li>
在这里我们首先选中了li标签,然后调用attr()方法来修改/增加属性,第一个参数为属性名,第二个参数为属性值.如原来存在,则修改属性值,如不存在,则增加.
7.2.2css
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> li = doc('.item-0.active')
>>> print(li)
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
>>> li.css('font-size', '14px')#[<li.item-0.active>]
>>> print(li)
<li class="item-0 active" name="link" style="font-size: 14px"><a href="link3.html"><span class="bold">third item</span></a></li>
7.3remove
remove顾名思义移除,remove()方法有时会为信息的提取带来非常大的便利。这个用的比较频繁下面我们看一个实例:
html = '''
<div class="wrap">
Hello, World
<p>This is a paragraph.</p>
</div>
'''
在这里有一段HTML文本,我们现在想提取Hello, World这个字符串,而不要p节点内部的字符串,这个怎样来提取?
>>> from pyquery import PyQuery as pq
>>> doc = pq(html)
>>> wrap = doc('.wrap')
>>> print(wrap.text())
Hello, World
This is a paragraph.
>>> wrap.find('p').remove()#[<p>]
>>> print(wrap.text())
Hello, World
注意:
•在这里我们直接先尝试提取class为wrap的节点的内容,看看是不是我们想要的,运行结果是Hello, World,This is a paragraph.•然而这个结果还包含了内部的p节点的内容,也就是说text()把所有的纯文本全提取出来了。如果我们想去掉p节点内部的文本,可以选择再把p节点内的文本提取一遍,然后从整个结果中移除这个子串,但这个做法明显比较繁琐。•那这是remove()方法就可以派上用场了,我们可以接着这么做,我们首先选中了p节点,然后调用了remove()方法将其移除,然后这时wrap内部就只剩下Hello, World这句话了,然后再利用text()方法提取即可。•所以说,remove()方法可以删除某些冗余内容,来方便我们的提取。在适当的时候使用可以极大地提高效率。
其他DOM方法
•另外其实还有很多节点操作的方法,比如append()、empty()、prepend()等方法,他们和jQuery的用法是完全一致的,详细的用法可以看到官方文档。 http://pyquery.readthedocs.io/en/latest/api.html[1]
8.伪类选择器
CSS选择器之所以强大,还有一个很重要的原因就是它支持多种多样的伪类选择器。例如选择第一个节点、最后一个节点、奇偶数节点、包含某一文本的节点等等,我们用一个实例感受一下:
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>
'''
计数是从0开始的
from pyquery import PyQuery as pq
doc = pq(html)
li = doc('li:first-child')#节点、第一个
print(li)
li = doc('li:last-child')#节点、最后一个
print(li)
li = doc('li:nth-child(2)')#节点、第二个
print(li)
li = doc('li:gt(2)')#获取序号比2大的标签
print(li)
li = doc('li:nth-child(2n)')#获取偶数的标签,2n+1则是获得奇数
print(li)
li = doc('li:contains(second)')#包含second文本的
print(li)
<li class="item-0">first item</li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
<li class="item-1"><a href="link2.html">second item</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>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-1 active"><a href="link4.html">fourth item</a></li>
<li class="item-1"><a href="link2.html">second item</a></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/
作者:田小田txt
链接:https://www.jianshu.com/p/5def029dbdf8
《0基础python爬虫系列教程》
IT入门 感谢关注 | 一学就会 Python入门教程 → 程序员用的单词表→ 练习地址:www.520mg.com/it |