爬虫第六讲:PyQuery

PyQuery

什么是PyQuery
PyQuery是强大又灵活的网页解析库。如果熟悉jQuery的语法,那么PyQuery就是你的绝佳选择

安装PyQuery

pip3 install PyQuery

用法讲解

初始化

字符串初始化常用在得到网页源代码,然后进行解析。

html = """
<div>
    <ul>
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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'))#这里传入CSS选择器,标签选择器,结果返回所有li

URL初始化

from pyquery import PyQuery as pq
doc = pq(url='http://www.baidu.com')#使用url初始化
print(doc('head'))#返回html中的head

文件初始化

from qyquery import PyQuery as pq
doc = pq(filename='myhtml.html')
print(doc('li'))

基本的CSS选择器

html = """
<div id="container">
    <ul>
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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('#container .active a'))#查找id=container 下的类名为active的 下的所有a标签,只要有层级嵌套关系,不是直接父子关系。

查找元素
子元素,查找元素下的子元素


html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
items = doc('.list')
print(type(items))
print(items)
lis = items.find('li')#想jQuery一样,可以用find筛选所有子元素,无论层级
print(type(lis))
print(lis)

返回结果:返回值是<class 'pyquery.pyquery.PyQuery'>类型

<class 'pyquery.pyquery.PyQuery'>
<ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></a></li>
        <li class="item-0"><a href="link5.html">fifth item</a></li>
    </ul>

<class 'pyquery.pyquery.PyQuery'>
<li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></a></li>
        <li class="item-0"><a href="link5.html">fifth item</a></li>

查找直接子元素

html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
items = doc('.item-0')#可能返回多个
print(items.children())#返回直接子元素

返回值:

<a href="lin3.html"><span class="bold">third item</span></a><a href="link5.html">fifth item</a>

这里返回了2条class="item-0"的li的直接子元素

父元素


html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
items = doc('.list')
container = items.parent()
print(type(container))
print(container)#返回整个class=list的父节点--div的内容

parents()--返回所有的祖先节点。

兄弟节点

html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
items = doc('.active')
print(items.siblings())#返回class=active的所有兄弟节点
print(items.siblings('.item-1'))#兄弟节点+CSS选择器

*返回结果:

<li class="item-1"><a href="link.html">second item</a></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="link.html">second item</a></li>

遍历

  • 单个元素-返回的是单个元素那么就不谈遍历了,返回的是PyQuery对象
  • 多个元素,如果返回的是多个元素就用.items(),那么返回的实际上是一个生成器,可以用for循环遍历
html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
items = doc('.active')
lis = items.siblings().items()
print(type(lis))
for item in lis:#遍历所有兄弟节点
    print(item)

获取信息

  • 获取属性
html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
a = doc('.item-0.active a')
print(a)
print(a.attr('href'))#返回属性为href的值
print(a.attr.href)#同上

返回结果:

<a href="lin3.html"><span class="bold">third item</span></a>
lin3.html
lin3.html
  • 获取文本
html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
a = doc('.item-0.active a')
print(a)
print(a.text())#返回a标签中的内容

返回结果:

<a href="lin3.html"><span class="bold">third item</span></a>
third item
  • 获取HTML
html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
a = doc('.item-0.active a')
print(a)
print(a.html())#返回整个a标签的html代码

返回结果:

<a href="lin3.html"><span class="bold">third item</span></a>
<span class="bold">third item</span>

DOM操作

  • addClass、removeClass
html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
li = doc('.item-0.active')
print(li)
li.removeClass('active')#删除这个li的类名active
print(li)
li.addClass('active')#又加上active类名
print(li)

输出结果

<li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></a></li>
        
<li class="item-0"><a href="lin3.html"><span class="bold">third item</span></a></li>
        
<li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></a></li>
  • 添加或修改attr、css
html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
li = doc('.item-0.active')
print(li)
li.attr('name','mylink')#因为没有name属性,所以实际上添加name属性,值为mylink
print(li)
li.css('font-size','20px')#添加行内style
print(li)
  • remove

html = """
<div class="wrap">
    hello,lll
    <p>This is test</p>
</div>
"""
from pyquery import PyQuery as pq
doc = pq(html)
wrap = doc('.wrap')
print(wrap.text())
wrap.find('p').remove()#删除p标签
print(wrap.text())

伪类选择器

html = """
<div id="container">
    <ul class="list">
        <li class="item-0">first item</li>
        <li class="item-1"><a href="link.html">second item</a></li>
        <li class="item-0 active"><a href="lin3.html"><span class="bold">third item</span></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)
li = doc('li:first-child')#html标签下第一个li
print(li)
li = doc('li:last-child')#html标签下最后一个li
print(li)
li = doc('li:nth-child(2)')#html标签下第二个li
print(li)
li = doc('li:gt(2)')#html标签下大于2的所有li
print(li)
li = doc('li:nth-child(2n)')#html标签下偶数的li
print(li)
li = doc('li:contains(second)')#html标签下li中的内容包含second的li
print(li)

更多的CSS选择器

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,324评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,303评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,192评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,555评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,569评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,566评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,927评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,583评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,827评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,590评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,669评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,365评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,941评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,928评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,159评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,880评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,399评论 2 342

推荐阅读更多精彩内容