注册 登录
> Python

【Python3网络爬虫开发实战】4.3-使用pyquery

系统 1438 0

【摘要】 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。

在上一节中，我们介绍了Beautiful Soup的用法，它是一个非常强大的网页解析库，你是否觉得它的一些方法用起来有点不适应？有没有觉得它的CSS选择器的功能没有那么强大？

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，可以参考第1章的安装过程。

2. 初始化

像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 = '''

              
              
'''
from pyquery import PyQuery as pq
doc = pq(html)
print(doc('li'))

运行结果如下： 

            
              
  • 
                first item
              
    • 
              
  • 
                
                  second item
                
              
    • 
              
  • 
                
                  
                    third item
                  
                
              
    • 
              
  • 
                
                  fourth item
                
              
    • 
              
  • 
                
                  fifth item
                
              
    •

    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。

    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
doc = pq(url='http://cuiqingcai.com')
print(doc('title'))

    运行结果如下：

    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
doc = pq(requests.get('http://cuiqingcai.com').text)
print(doc('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
doc = pq(filename='demo.html')
print(doc('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pyquery的CSS选择器的用法： 

                
              html = '''

              
              
'''
from pyquery import PyQuery as pq
doc = pq(html)
print(doc('#container .list li'))
print(type(doc('#container .list li')))

    运行结果如下： 

                
              
  • 
                first item
              
    • 
              
  • 
                
                  second item
                
              
    • 
              
  • 
                
                  
                    third item
                  
                
              
    • 
              
  • 
                
                  fourth item
                
              
    • 
              
  • 
                
                  fifth item
                
              
    •

    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id为container的节点，然后再选取其内部的class为list的节点内部的所有li节点。然后，打印输出。可以看到，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
doc = pq(html)
items = doc('.list')
print(type(items))
print(items)
lis = items.find('li')
print(type(lis))
print(lis)

    运行结果如下： 

                
              
                
                
                  
  • 
                    first item
                  
    • 
                  
  • 
                    
                      second item
                    
                  
    • 
                  
  • 
                    
                      
                        third item
                      
                    
                  
    • 
                  
  • 
                    
                      fourth item
                    
                  
    • 
                  
  • 
                    
                      fifth item
                    
                  
    •

    首先，我们选取class为list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)
运行结果如下：

              
                
  • 
                  first item
                
    • 
                
  • 
                  
                    second item
                  
                
    • 
                
  • 
                  
                    
                      third item
                    
                  
                
    • 
                
  • 
                  
                    fourth item
                  
                
    • 
                
  • 
                  
                    fifth item
                  
                
    •

    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class为active的节点，可以向children()方法传入CSS选择器.active： 

                
              lis = items.children('.active')
print(lis)

    运行结果如下： 

                
              
  • 
                
                  
                    third item
                  
                
              
    • 
              
  • 
                
                  fourth item
                
              
    •

    可以看到，输出结果已经做了筛选，留下了class为active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 = '''

              
    
                
              
    
              
'''
from pyquery import PyQuery as pq
doc = pq(html)
items = doc('.list')
container = items.parent()
print(type(container))
print(container)
                
          
                运行结果如下：

    这里我们首先用.list选取class为list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)

    运行结果如下：

    可以看到，输出结果有两个：一个是class为wrap的节点，一个是id为container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)

    运行结果如下：

    可以看到，输出结果少了一个节点，只保留了class为wrap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class为list的节点内部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4个，那就是第一、二、四、五个li节点。

    运行结果如下： 

                
              
  • 
                
                  second item
                
              
    • 
              
  • 
                first item
              
    • 
              
  • 
                
                  fourth item
                
              
    • 
              
  • 
                
                  fifth item
                
              
    •

    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class为active的节点，通过刚才的结果可以观察到，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。

    我们再看一下运行结果：

  • fourth item

    • 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))

    运行结果如下： 

                
              
  • 
                
                  
                    third item
                  
                
              
    • 
              
  • 
                
                  
                    third item
                  
                
              
    •

    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))

    运行结果如下： 

                
              
                
  • 
                  first item
                
    • 
                
                  
  • 
                    
                      second item
                    
                  
    • 
                  
                    
  • 
                      
                        
                          third item
                        
                      
                    
    • 
                    
                      
  • 
                        
                          fourth item
                        
                      
    • 
                      
                        
  • 
                          
                            fifth item
                          
                        
    •

    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。

    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 = '''

              
    
                
              
    
              
'''
from pyquery import PyQuery as pq
doc = pq(html)
a = doc('.item-0.active a')
print(a, type(a))
print(a.attr('href'))

    运行结果如下： 

                
              
                
                  third item
                
              
              
                
link3.html

    这里首先选中class为item-0和active的li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)

    结果如下： 

                
              link3.html

    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)

    运行结果如下： 

                
              
                second item
              
              
                
                  third item
                
              
              
                fourth item
              
              
                fifth item
              
              
                
link2.html
link2.html

    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'))

    此时的运行结果如下： 

                
              link2.html
link3.html
link4.html
link5.html

    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 = '''

              
    
                
              
    
              
'''
from pyquery import PyQuery as pq
doc = pq(html)
a = doc('.item-0.active a')
print(a)
print(a.text())

    运行结果如下： 

                
              
                
                  third item
                
              
              
third item

    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。

    运行结果如下： 

                
              
                
                  third item

    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？我们用实例来看一下： 

                
              html = '''

              
    
                
              
    
              
'''
from pyquery import PyQuery as pq
doc = pq(html)
li = doc('li')
print(li.html())
print(li.text())
print(type(li.text())

    运行结果如下： 

                
              
                second item
              
              
second item third item fourth item fifth item

    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。

    addClass和removeClass

    我们先用实例来感受一下： 

                
              html = '''

              
    
                
              
    
              
'''
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。

    运行结果如下： 

                
              
  • 
                
                  
                    third item
                  
                
              
    • 
              
  • 
                
                  
                    third item
                  
                
              
    • 
              
  • 
                
                  
                    third item
                  
                
              
    •

    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()和removeClass()这些方法可以动态改变节点的class属性。

    attr、text和html

    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()和html()方法来改变节点内部的内容。示例如下： 

                
              html = '''

              
              
'''
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('
              
                changed item
              
              ')
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()和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。

    运行结果如下： 

                
              
  • 
                
                  
                    third item
                  
                
              
    • 
              
  • 
                
                  
                    third item
                  
                
              
    • 
              
  • 
                changed item
              
    • 
              
  • 
                
                  changed item
                
              
    •

    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()和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 = '''

              
    
                
    Hello, World
    
                
    
                  This is a paragraph.
                
    
              
    
              
'''
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class为wrap的节点的内容，看看是不是我们想要的。运行结果如下： 

                
              Hello, World This is a paragraph.

    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()和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 = '''

              
    
                
              
    
              
'''
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)
              
                
                  
li 
                
                
                  =
                
                
                   doc
                
                
                  (
                
                
                  'li:contains(second)'
                
                
                  )
                
                
                  print
                
                
                  (
                
                
                  li
                
                
                  )

    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。

    来源：华为云社区  作者：崔庆才丨静觅


    更多文章、技术交流、商务合作、联系博主

    微信扫码或搜索：z360901061

    微信扫一扫加我为好友

    QQ号联系： 360901061

    您的支持是博主写作最大的动力，如果您喜欢我的文章，感觉我的文章对您有帮助，请用微信扫描下面二维码支持博主2元、5元、10元、20元等您想捐的金额吧，狠狠点击下面给点支持吧，站长非常感激您！手机微信长按不能支付解决办法：请将微信支付二维码保存到相册，切换到微信，然后点击微信右上角扫一扫功能，选择支付二维码完成支付。

    【本文对您有帮助就好】元

    您的支持是博主写作最大的动力，如果您喜欢我的文章，感觉我的文章对您有帮助，请用微信扫描上面二维码支持博主2元、5元、10元、自定义金额等您想捐的金额吧，站长会非常 感谢您的哦！！！

    发表我的评论
    最新评论 总共0条评论