pyquery 的用法 --爬虫解析库

此生再无相见时 提交于 2020-03-24 07:03:53

如果你对Web有所涉及,如果你比较喜欢用CSS选择器,如果你对jQuery有所了解,那么这里有一个更适合你的解析库——pyquery

接下来,我们就来感受一下pyquery的强大之处。

1. 准备工作

在开始之前,请确保已经正确安装好了pyquery。若没有安装pip  install pyquery

2. 初始化

Beautiful Soup一样,初始化pyquery的时候,也需要传入HTML文本来初始化一个PyQuery对象。它的初始化方式有多种,比如直接传入字符串,传入URL,传入文件名,等等。下面我们来详细介绍一下。

字符串初始化

首先,我们用一个实例来感受一下:

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

html_query = pq(html)

print(html_query('li'))

这里首先引入PyQuery这个对象,取别名为pq。然后声明了一个长HTML字符串,并将其当作参数传递给PyQuery类,这样就成功完成了初始化。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。但是它们不是列表。

 

 

 

URL初始化

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,此时只需要指定参数为url即可:

from pyquery import PyQuery as pq

html_query = pq(url='http://www.baidu.com')

print(html_query ('title'))

 

 

这样的话,PyQuery对象会首先请求这个URL,然后用得到的HTML内容完成初始化,这其实就相当于用网页的源代码以字符串的形式传递给PyQuery类来初始化。

它与下面的功能是相同的:

from pyquery import PyQuery as pq

import requests

html_query = pq(requests.get('http://cuiqingcai.com').text)

print(html_query ('title'))

 

 

文件初始化

当然,除了传递URL,还可以传递本地的文件名,此时将参数指定为filename即可:

from pyquery import PyQuery as pq

html_query = pq(filename='demo.html')

print(html_query ('li'))

当然,这里需要有一个本地HTML文件demo.html,其内容是待解析的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类来初始化。以上3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

首先,用一个实例来感受pyqueryCSS选择器的用法:

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

html_query = pq(html)

print(html_query ('#container .list li'))

print(type(html_query ('#container .list li')))

 

这里我们初始化PyQuery对象之后,传入了一个CSS选择器#container .list li,它的意思是先选取idcontainer的节点,然后再选取其内部的classlist的节点内部的所有li节点。然后,打印输出。可以看到,我们成功获取到了符合条件的节点。最后,将它的类型打印输出。可以看到,它的类型依然是PyQuery类型。

 

4. 查找节点

下面我们介绍一些常用的查询函数,这些函数和jQuery中函数的用法完全相同。

子节点

查找子节点时,需要用到find()方法,此时传入的参数是CSS选择器。这里还是以前面的HTML为例:

from pyquery import PyQuery as pq

html_query = pq(html)

items = html_query ('.list')

print(type(items))

print(items)

lis = items.find('li')

print(type(lis))

print(lis)

 

首先,我们选取classlist的节点,然后调用了find()方法,传入CSS选择器,选取其内部的li节点,最后打印输出。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,那么可以用children()方法

lis = items.children()

print(type(lis))

print(lis)

 

如果要筛选所有子节点中符合条件的节点,比如想筛选出子节点中classactive的节点,可以向children()方法传入CSS选择器.active

lis = items.children('.active')

print(lis)

 

可以看到,输出结果已经做了筛选,留下了classactive的节点。

 

 

父节点

我们可以用parent()方法来获取某个节点的父节点,示例如下:

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>

'''

from pyquery import PyQuery as pq

doc = pq(html)

items = doc('.list')

container = items.parent()

print(type(container))

print(container)

 

 

这里我们首先用.list选取classlist的节点,然后调用parent()方法得到其父节点,其类型依然是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。

但是如果想获取某个祖先节点,该怎么办呢?这时可以用parents()方法:

from pyquery import PyQuery as pq

doc = pq(html)

items = doc('.list')

parents = items.parents()

print(type(parents))

print(parents)

 

可以看到,输出结果有两个:一个是classwrap的节点,一个是idcontainer的节点。也就是说,parents()方法会返回所有的祖先节点。

 

如果想要筛选某个祖先节点的话,可以向parents()方法传入CSS选择器,这样就会返回祖先节点中符合CSS选择器的节点:

parent = items.parents('.wrap')

print(parent)

 

可以看到,输出结果少了一个节点,只保留了classwrap的节点。

 

兄弟节点

前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。这里还是以上面的HTML代码为例:

from pyquery import PyQuery as pq

doc = pq(html)

li = doc('.list .item-0.active')

print(li.siblings())

 

 

 

这里首先选择classlist的节点内部classitem-0active的节点,也就是第三个li节点。那么,很明显,它的兄弟节点有4个,那就是第一、二、四、五个li节点。

可以看到,这正是我们刚才所说的4个兄弟节点。

如果要筛选某个兄弟节点,我们依然可以向siblings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:

from pyquery import PyQuery as pq

doc = pq(html)

li = doc('.list .item-0.active')

print(li.siblings('.active'))

 

这里我们筛选了classactive的节点,通过刚才的结果可以观察到,classactive的兄弟节点只有第四个li节点,所以结果应该是一个。

 

 

5. 遍历

刚才可以观察到,pyquery的选择结果可能是多个节点,也可能是单个节点,类型都是PyQuery类型,并没有返回像Beautiful Soup那样的列表。

对于单个节点来说,可以直接打印输出,也可以直接转成字符串:

from pyquery import PyQuery as pq

doc = pq(html)

li = doc('.item-0.active')

print(li)

print(str(li))

 

对于多个节点的结果,我们就需要遍历来获取了。例如,这里把每一个li节点进行遍历,需要调用items()方法:

 

from pyquery import PyQuery as pq

doc = pq(html)

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

print(type(lis))

for li in lis:

    print(li, type(li))

 

 

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。每个li节点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,非常灵活。

eq方法可以通过索引拿到响应位置的li节点,也是pyquery对象

lis = doc('li').eq(0)    

这样表示拿到了第一个li  pyquery对象

 

 

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,下面分别进行说明。

获取属性

提取到某个PyQuery类型的节点后,就可以调用attr()方法来获取属性:

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, type(a))

print(a.attr('href'))

 

 

这里首先选中classitem-0activeli节点内的a节点,它的类型是PyQuery类型。

然后调用attr()方法。在这个方法中传入属性的名称,就可以得到这个属性值了。

此外,也可以通过调用attr属性来获取属性,用法如下:

print(a.attr.href)

 

这两种方法的结果完全一样。

如果选中的是多个元素,然后调用attr()方法,会出现怎样的结果呢?我们用实例来测试一下:

a = doc('a')

print(a, type(a))

print(a.attr('href'))

print(a.attr.href)

 

 

照理来说,我们选中的a节点应该有4个,而且打印结果也应该是4个,但是当我们调用attr()方法时,返回结果却只是第一个。这是因为,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。

那么,遇到这种情况时,如果想获取所有的a节点的属性,就要用到前面所说的遍历了:

from pyquery import PyQuery as pq

doc = pq(html)

a = doc('a')

for item in a.items():

    print(item.attr('href'))

 

 

因此,在进行属性获取时,可以观察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。

 

获取文本

获取节点之后的另一个主要操作就是获取其内部的文本了,此时可以调用text()方法来实现:

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())

 

这里首先选中一个a节点,然后调用text()方法,就可以获取其内部的文本信息。此时它会忽略掉节点内部包含的所有HTML,只返回纯文字内容。

但如果想要获取这个节点内部的HTML文本,就要用html()方法了:

from pyquery import PyQuery as pq

doc = pq(html)

li = doc('.item-0.active')

print(li)

print(li.html())

 

 

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节点内的所有HTML文本。

这里同样有一个问题,如果我们选中的结果是多个节点,text()html()会返回什么内容?我们用实例来看一下:

html = '''

<div class="wrap">

    <div id="container">

        <ul class="list">

             <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('li')

print(li.html())

print(li.text())

print(type(li.text())

结果可能比较出乎意料,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节点内部的纯文本,中间用一个空格分割开,即返回结果是一个字符串。

所以这个地方值得注意,如果得到的结果是多个节点,并且想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,它将所有节点取文本之后合并成一个字符串。

 

 

7. 节点操作

pyquery提供了一系列方法来对节点进行动态修改,比如为某个节点添加一个class,移除某个节点等,这些操作有时候会为提取信息带来极大的便利。

由于节点操作的方法太多,下面举几个典型的例子来说明它的用法。

addClassremoveClass

我们先用实例来感受一下:

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>

'''

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)

 

 

首先选中了第三个li节点,然后调用removeClass()方法,将li节点的active这个class移除,后来又调用addClass()方法,将class添加回来。每执行一次操作,就打印输出当前li节点的内容。

可以看到,一共输出了3次。第二次输出时,li节点的active这个class被移除了,第三次class又添加回来了。

所以说,addClass()removeClass()这些方法可以动态改变节点的class属性。

attrtexthtml

当然,除了操作class这个属性外,也可以用attr()方法对属性进行操作。此外,还可以用text()html()方法来改变节点内部的内容。示例如下:

html = '''

<ul class="list">

     <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>

</ul>

'''

from pyquery import PyQuery as pq

doc = pq(html)

li = doc('.item-0.active')

print(li)

li.attr('name', 'link')

print(li)

li.text('changed item')

print(li)

li.html('<span>changed item</span>')

print(li)

 

 

这里我们首先选中li节点,然后调用attr()方法来修改属性,其中该方法的第一个参数为属性名,第二个参数为属性值。接着,调用text()html()方法来改变节点内部的内容。三次操作后,分别打印输出当前的li节点。

可以发现,调用attr()方法后,li节点多了一个原本不存在的属性name,其值为link。接着调用text()方法,传入文本之后,li节点内部的文本全被改为传入的字符串文本了。最后,调用html()方法传入HTML文本后,li节点内部又变为传入的HTML文本了。

所以说,如果attr()方法只传入第一个参数的属性名,则是获取这个属性值;如果传入第二个参数,可以用来修改属性值。text()html()方法如果不传参数,则是获取节点内纯文本和HTML文本;如果传入参数,则进行赋值。

 

 

remove()

顾名思义,remove()方法就是移除,它有时会为信息的提取带来非常大的便利。下面有一段HTML文本:

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())

 

现在想提取Hello, World这个字符串,而不要p节点内部的字符串,需要怎样操作呢?

这里直接先尝试提取classwrap的节点的内容,看看是不是我们想要的。运行结果如下:

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烦琐。

这时remove()方法就可以派上用场了,我们可以接着这么做:

wrap.find('p').remove()

print(wrap.text())

 

 

首先选中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。

另外,其实还有很多节点操作的方法,比如append()empty()prepend()等方法,它们和jQuery的用法完全一致,详细的用法可以参考官方文档:http://pyquery.readthedocs.io/en/latest/api.html

 

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,那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。示例如下:

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>

'''

from pyquery import PyQuery as pq

doc = pq(html)

li = doc('li:first-child')

print(li)

li = doc('li:last-child')

print(li)

li = doc('li:nth-child(2)')

print(li)

li = doc('li:gt(2)')

print(li)

li = doc('li:nth-child(2n)')

print(li)<code class="lang-python"><span class="pln">

li </span><span class="pun">=</span><span class="pln"> doc</span><span class="pun">(</span><span class="str">'li:contains(second)'</span><span class="pun">)</span>

<span class="kwd">print</span><span class="pun">(</span><span class="pln">li</span><span class="pun">)</span>

 

这里我们使用了CSS3的伪类选择器,依次选择了第一个li节点、最后一个li节点、第二个li节点、第三个li之后的li节点、偶数位置的li节点、包含second文本的li节点。

关于CSS选择器的更多用法,可以参考http://www.w3school.com.cn/css/index.asp

到此为止,pyquery的常用用法就介绍完了。如果想查看更多的内容,可以参考pyquery的官方文档:http://pyquery.readthedocs.io。我们相信有了它,解析网页不再是难事。

 

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!