2.9.2.3Python-解析库_PyQuery

总目录：https://www.jianshu.com/p/e406a9bc93a9

Python-爬虫 - 子目录：https://www.jianshu.com/p/23cf57674bf1

文档：https://pythonhosted.org/pyquery/

如果感觉正则书写太过麻烦，beatifulsoup语法过于繁琐，同时你有jQuery的基础，那么pyquery是一个很好的选择。



我们先来看个例子：

from pyquery import PyQuery as pq

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>

'''

doc=pq(html)

print(doc("li"))

运行结果

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。


除了HTML长字符串，还可以声明url来初始化

from pyquery import PyQuery as pq

doc=pq(url="http://www.baidu.com")

print(doc("head"))

还可以传递本地html文件

from pyquery import PyQuery as pq

doc=pq(filename="文件名")

print(doc("head"))


之后我们来看pyquery的第一个用法

css选择器

from pyquery import PyQuery as pq

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>

'''

doc=pq(html)

print(doc("#container .list li"))

他会找到id为container的子标签中class为list中的li标签。

除了这种CSS选择器的语法，还有一些jQuery的函数。

用来查找子元素的

find()

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

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>

'''

doc=pq(html)

items=doc(".list")

print(type(items))

print(items)

运行结果

然后加上find（）函数

from pyquery import PyQuery as pq

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>

'''

doc=pq(html)

items=doc(".list")

list=items.find("li")

print(type(list))

print(list)

运行结果

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。

children()

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。

from pyquery import PyQuery as pq

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>

'''

doc=pq(html)

items=doc(".list")

list = items.children()

print(type(list))

print(list)

运行结果

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

from pyquery import PyQuery as pq

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>

'''

doc=pq(html)

items=doc(".list")

list = items.children('.active')

print(list)

运行结果


用来查找父元素的

parent()

可以用parent()方法来获取某个节点的父节点

from pyquery import PyQuery as pq

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>

'''

doc = pq(html)

items = doc('.list')

container = items.parent()

print(type(container))

print(container)

运行结果

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。


parents()

如果我们想获取某个祖先节点怎么办呢？可以用parents()方法。

from pyquery import PyQuery as pq

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>

'''

doc = pq(html)

items = doc('.list')

parents = items.parents()

print(type(parents))

print(parents)

运行结果

parents查找所有的父亲节点,返回两个结果.

parents可进行再次筛选

from pyquery import PyQuery as pq

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>

</div>

'''

doc = pq(html)

items = doc('.list')

parent = items.parents('.wrap')

print(parent)

运行结果


用来查找兄弟元素的

siblings()

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。

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

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>

</div>

'''

doc = pq(html)

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

print(li.siblings())

运行结果

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

from pyquery import PyQuery as pq

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>

</div>

'''

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>



遍历

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

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>

</div>

'''

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>


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

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>

</div>

'''

doc = pq(html)

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

print(type(list))

for liin lis:

    print(li)

运行结果


获取

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

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>

</div>

'''

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

print(a.attr.href)                #方法二

link3.html

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。

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

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>

</div>

'''

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


获取HTML

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

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>

</div>

'''

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>


DOM操作


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

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>

</div>

'''

doc = pq(html)

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

li.removeClass('active')

print(li)

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


addClass

from pyquery import PyQuery as pq

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>

</div>

'''

doc = pq(html)

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

li.addClass('active')

print(li)

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

可以看到第一次输出li标签的active这个class被移除了，第二次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。


attr

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

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>

</div>

'''

doc = pq(html)

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

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

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.


css

与attr同理

from pyquery import PyQuery as pq

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>

</div>

'''

doc = pq(html)

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

li.css('font-size', '14px')

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>


remove

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。

from pyquery import PyQuery as pq

html1 = '''
<div class="wrap">

    Hello, World

    <p>This is a paragraph.</p>

</div>

'''   

doc = pq(html1)

wrap = doc('.wrap')

print(wrap.text()) 

Hello, World

This is a paragraph. 

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

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。



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：

from pyquery import PyQuery as pq

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>

</div>

'''

doc = pq(html)

li = doc('li:first-child')                #节点、第一个

print(li)

<li class="item-0">first item</li>

li = doc('li:last-child')                    #节点、最后一个

print(li)

<li class="item-0"><a href="link5.html">fifth item</a></li>

li = doc('li:nth-child(2)')            #节点、第二个

print(li)

<li class="item-1"><a href="link2.html">second item</a></li>

li = doc('li:gt(2)')                    #获取序号比2大的标签

print(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 = doc('li:nth-child(2n)')            #获取偶数的标签,2n+1则是获得奇数

print(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 = doc('li:contains(second)')            #包含second文本的

print(li)

<li class="item-1"><a href="link2.html">second item</a></li>

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
  • 人面猴
    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 215,076评论 6赞 497
  • 死咒
    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 91,658评论 3赞 389
  • 救了他两次的神仙让他今天三更去死
    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 160,732评论 0赞 350
  • 道士缉凶录：失踪的卖姜人
    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 57,493评论 1赞 288
  • 港岛之恋（遗憾婚礼）
    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 66,591评论 6赞 386
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    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 50,598评论 1赞 293
  • 城市分裂传说
    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 39,601评论 3赞 415
  • 双鸳鸯连环套：你想象不到人心有多黑
    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 38,348评论 0赞 270
  • 万荣杀人案实录
    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 44,797评论 1赞 307
  • 护林员之死
    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 37,114评论 2赞 330
  • 白月光启示录
    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 39,278评论 1赞 344
  • 活死人
    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 34,953评论 5赞 339
  • 日本核电站爆炸内幕
    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 40,585评论 3赞 322
  • 男人毒药：我在死后第九天来索命
    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 31,202评论 0赞 21
  • 一桩弑父案，背后竟有这般阴谋
    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 32,442评论 1赞 268
  • 情欲美人皮
    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 47,180评论 2赞 367
  • 代替公主和亲
    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 44,139评论 2赞 352

推荐阅读更多精彩内容