python pyquery节点内所有文本_PyQuery详解

在之前写的爬虫入门里，PyQuery一笔带过，这次详细地讲一下。

为什么选择PyQuery？

Python爬虫解析库，主流的有

PyQuery

Beautifulsoup

Scrapy Selectors

正则表达式。

PyQuery和scrapy Selectors都是基于lxml模块，而lxml和正则表达式都是C语言写的，只有Beautifulsoup是用纯Python编写的，所以在实测中，Beautifulsoup 的解析速度比其他几种慢了5倍以上！

正则表达式的构造稍微复杂一点，一般在结构化的网页中没必要用正则(易出错)。Scrapy Selectors支持css，xpath以及正则表达式，PyQuery只支持css(我最开始学的是xpath，后来觉得css语法更精简一些)。Scrapy Selector中的css语法和PyQuery中的略有不同，本文以PyQuery为例(不用Scrapy框架的话，PyQuery就够用了)

如何使用？

首先在命令行里 pip install pyquery 安装一下

我们以果壳首页为例，首先引入，并将源代码实例化

import requests

from pyquery import PyQuery as pq

url = 'https://www.guokr.com/'

r = requests.get(url)

#实例化

doc = pq(r.text)

获取文本

例如你想要各个板块的名字

image

通过f12查看源代码，你发现板块名都在class值为content-title的h2标签下

[图片上传失败...(image-ea4892-1548221385522)]

在PyQuery中，class的值写在小数点 . 后面，标签直接写(ID是写在#后面)

print(doc('h2.content-title'))

[图片上传失败...(image-8ce1d6-1548221385522)]

于是所有满足条件的源代码都出来了,获取标签的文本内容用text()

print(doc('h2.content-title').text())

想遍历的话,

lis = doc('h2.content-title').items()

for li in lis:

print(li.text())

image

假设我们想要获取所有标题

[图片上传失败...(image-eb88cb-1548221385522)]

看源代码会发现 ,小标题的内容都在div.content下面的ul标签 下面的 第二个li标签 开始(通过缩进来看嵌套关系)，而第一个li标签里面是大标题的内容

[图片上传失败...(image-84ab15-1548221385522)]

#用空格表示子孙节点

lis = doc('div.content ul li').items()

#lis = doc('div.content li').items()

for i in lis:

print(i.text())

空格表示子孙节点，只要在div.content标签下面的节点，都能获取到

所以上面的代码可以省略ul标签，直接到li标签

有时候标签会有多个类名的情况，例如(我随便构造一个)：

[图片上传失败...(image-cd7cd3-1548221385522)]

假设类名为cont的标签不唯一，也就是通过cont不能准确地定位这一个标签，还需要加上其他类名

print(doc('div.cont.a.b.c.d'))

[图片上传失败...(image-759eee-1548221385522)]

[图片上传失败...(image-d6955e-1548221385522)]

标签里的空格表示并列，表示这个div标签有cont,a,b,c,d这五个类名，但在css语法里空格表示嵌套，所以我们要添加其他类名的时候不能输入空格，而是直接用小数点来添加其他类名

获取属性

前面说了获取文本用text()，现在介绍获取属性的方法，即attr("属性名")，比方说我们要获取所有标题的链接，一般来说链接都在href属性里

[图片上传失败...(image-db7abc-1548221385522)]

lis = doc('div.content li').items()

for i in lis:

print(i.text(),i('a').attr('href'))

[图片上传失败...(image-245d6a-1548221385522)]

剩下的一些选择器方法就不赘述了，列出来大家试一下应该就能明白了

lis = doc('div.content ul li')

#父节点,包含父节点的所有子孙节点的内容

#相当于

#print(doc('div.content ul'))

print(lis.parent())

#祖先节点,就相当于所有源代码了

print(lis.parents())

#兄弟节点,即同级节点，不包含自己

print(lis.siblings)

其他技巧

1.伪类选择器

如果想要每个版块的第一条小标题的话

#第二个标签

lis = doc('div.content li:nth-child(2)').items()

for i in lis:

print(i.text(),i('a').attr('href'))

第一个a标签的语法是 a:first-child,最后一个是a:last-child,其它位置的语法如上图所示，第几个括号里就是几(当然第一个你也可以写成 li:nth-child(1))

类似地，如果你想要只要小标题，也就是从第二个li开始到最后一个li

#div.content 下面第二个(含)之后的li标签

lis = doc('div.content li:gt(1)').items()

for i in lis:

print(i.text(),i('a').attr('href'))

gt就是greater than,大于的意思，lt (less than)是小于

还可以用伪类选择器来筛选文本

lis = doc('div.content ul').items()

for i in lis:

#文本包含问号的li标签

print(i("li:contains('？')").text())

[图片上传失败...(image-4378d9-1548221385522)]

2.修改标签属性

如果我只想要小标题，这里再介绍一种方法

从源代码来看，想要所有小标题就是要排除ul标签下面的第一个li标签，通过观察发现它的特点就是类名(class值)为content-article，而其它li标签没有，所以我们可以利用这点

[图片上传失败...(image-e3208f-1548221385522)]

#用remove把特定标签移除，然后再进行遍历

lis = doc('div.content ul').remove('.content-article').items()

for i in lis:

print(i.text())

PyQuery里还有一些方法，比如修改属性，增加css之类的一些使用率较低的就不介绍了，详情可参考pyquery官方文档的 PyQuery complete API

直接在Chrome里调试

其实我们的Chrome浏览器自带css的查询方法，按f12或者右键检查，打开Elements面板，按ctrl+f，

[图片上传失败...(image-1d0031-1548221385522)]

这里支持xpath，css语法，以及普通的字符查找

[图片上传失败...(image-b79f66-1548221385522)]

要注意的是右边的数字，显示的是满足条件的标签数量，可以按向下的箭头过一遍，看看是不是自己想要的信息。

稍微认真写一下就有这么多内容，看来这篇详解还是有点意义的，感谢观看！

公众号.jpg