pyquery 的用法 --爬蟲解析庫

若是你對Web有所涉及，若是你比較喜歡用CSS選擇器，若是你對jQuery有所瞭解，那麼這裏有一個更適合你的解析庫——pyquery。

接下來，咱們就來感覺一下pyquery的強大之處。

1. 準備工做

在開始以前，請確保已經正確安裝好了pyquery。若沒有安裝pip  install pyquery。

2. 初始化

像Beautiful Soup同樣，初始化pyquery的時候，也須要傳入HTML文原本初始化一個PyQuery對象。它的初始化方式有多種，好比直接傳入字符串，傳入URL，傳入文件名，等等。下面咱們來詳細介紹一下。

字符串初始化

首先，咱們用一個實例來感覺一下：

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'))

這裏首先引入PyQuery這個對象，取別名爲pq。而後聲明瞭一個長HTML字符串，並將其看成參數傳遞給PyQuery類，這樣就成功完成了初始化。接下來，將初始化的對象傳入CSS選擇器。在這個實例中，咱們傳入li節點，這樣就能夠選擇全部的li節點。可是它們不是列表。

 

 

 

URL初始化

初始化的參數不只能夠以字符串的形式傳遞，還能夠傳入網頁的URL，此時只須要指定參數爲url便可：

from pyquery import PyQuery as pq html_query = pq(url='http://www.baidu.com') print(html_query ('title'))

 

 

這樣的話，PyQuery對象會首先請求這個URL，而後用獲得的HTML內容完成初始化，這其實就至關於用網頁的源代碼以字符串的形式傳遞給PyQuery類來初始化。

它與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

固然，除了傳遞URL，還能夠傳遞本地的文件名，此時將參數指定爲filename便可：

from pyquery import PyQuery as pq html_query = pq(filename='demo.html') print(html_query ('li'))

固然，這裏須要有一個本地HTML文件demo.html，其內容是待解析的HTML字符串。這樣它會首先讀取本地的文件內容，而後用文件內容以字符串的形式傳遞給PyQuery類來初始化。以上3種初始化方式都可，固然最經常使用的初始化方式仍是以字符串形式傳遞。

 

 

3. 基本CSS選擇器

首先，用一個實例來感覺pyquery的CSS選擇器的用法：

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')))

 

這裏咱們初始化PyQuery對象以後，傳入了一個CSS選擇器#container .list li，它的意思是先選取id爲container的節點，而後再選取其內部的class爲list的節點內部的全部li節點。而後，打印輸出。能夠看到，咱們成功獲取到了符合條件的節點。最後，將它的類型打印輸出。能夠看到，它的類型依然是PyQuery類型。

 

4. 查找節點

下面咱們介紹一些經常使用的查詢函數，這些函數和jQuery中函數的用法徹底相同。

子節點

查找子節點時，須要用到find()方法，此時傳入的參數是CSS選擇器。這裏仍是之前面的HTML爲例：

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，咱們選取class爲list的節點，而後調用了find()方法，傳入CSS選擇器，選取其內部的li節點，最後打印輸出。能夠發現，find()方法會將符合條件的全部節點選擇出來，結果的類型是PyQuery類型。

其實find()的查找範圍是節點的全部子孫節點，而若是咱們只想查找子節點，那麼能夠用children()方法

lis = items.children() print(type(lis)) print(lis)

 

若是要篩選全部子節點中符合條件的節點，好比想篩選出子節點中class爲active的節點，能夠向children()方法傳入CSS選擇器.active：

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

 

能夠看到，輸出結果已經作了篩選，留下了class爲active的節點。

 

 

父節點

咱們能夠用parent()方法來獲取某個節點的父節點，示例以下：

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)

 

 

這裏咱們首先用.list選取class爲list的節點，而後調用parent()方法獲得其父節點，其類型依然是PyQuery類型。

這裏的父節點是該節點的直接父節點，也就是說，它不會再去查找父節點的父節點，即祖先節點。

可是若是想獲取某個祖先節點，該怎麼辦呢？這時能夠用parents()方法：

from pyquery import PyQuery as pq doc = pq(html) items = doc('.list') parents = items.parents() print(type(parents)) print(parents)

 

能夠看到，輸出結果有兩個：一個是class爲wrap的節點，一個是id爲container的節點。也就是說，parents()方法會返回全部的祖先節點。

 

若是想要篩選某個祖先節點的話，能夠向parents()方法傳入CSS選擇器，這樣就會返回祖先節點中符合CSS選擇器的節點：

parent = items.parents('.wrap') print(parent)

 

能夠看到，輸出結果少了一個節點，只保留了class爲wrap的節點。

 

兄弟節點

前面咱們說明了子節點和父節點的用法，還有一種節點，那就是兄弟節點。若是要獲取兄弟節點，可使用siblings()方法。這裏仍是以上面的HTML代碼爲例：

from pyquery import PyQuery as pq doc = pq(html) li = doc('.list .item-0.active') print(li.siblings())

 

 

 

這裏首先選擇class爲list的節點內部class爲item-0和active的節點，也就是第三個li節點。那麼，很明顯，它的兄弟節點有4個，那就是第1、2、4、五個li節點。

能夠看到，這正是咱們剛纔所說的4個兄弟節點。

若是要篩選某個兄弟節點，咱們依然能夠向siblings方法傳入CSS選擇器，這樣就會從全部兄弟節點中挑選出符合條件的節點了：

from pyquery import PyQuery as pq doc = pq(html) li = doc('.list .item-0.active') print(li.siblings('.active'))

 

這裏咱們篩選了class爲active的節點，經過剛纔的結果能夠觀察到，class爲active的兄弟節點只有第四個li節點，因此結果應該是一個。

 

 

5. 遍歷

剛纔能夠觀察到，pyquery的選擇結果多是多個節點，也多是單個節點，類型都是PyQuery類型，並無返回像Beautiful Soup那樣的列表。

對於單個節點來講，能夠直接打印輸出，也能夠直接轉成字符串：

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

 

對於多個節點的結果，咱們就須要遍從來獲取了。例如，這裏把每個li節點進行遍歷，須要調用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))

 

 

能夠發現，調用items()方法後，會獲得一個生成器，遍歷一下，就能夠逐個獲得li節點對象了，它的類型也是PyQuery類型。每一個li節點還能夠調用前面所說的方法進行選擇，好比繼續查詢子節點，尋找某個祖先節點等，很是靈活。

eq方法能夠經過索引拿到響應位置的li節點，也是pyquery對象

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

這樣表示拿到了第一個li  pyquery對象

 

 

6. 獲取信息

提取到節點以後，咱們的最終目的固然是提取節點所包含的信息了。比較重要的信息有兩類，一是獲取屬性，二是獲取文本，下面分別進行說明。

獲取屬性

提取到某個PyQuery類型的節點後，就能夠調用attr()方法來獲取屬性：

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'))

 

 

這裏首先選中class爲item-0和active的li節點內的a節點，它的類型是PyQuery類型。

而後調用attr()方法。在這個方法中傳入屬性的名稱，就能夠獲得這個屬性值了。

此外，也能夠經過調用attr屬性來獲取屬性，用法以下：

print(a.attr.href)

 

這兩種方法的結果徹底同樣。

若是選中的是多個元素，而後調用attr()方法，會出現怎樣的結果呢？咱們用實例來測試一下：

a = doc('a') print(a, type(a)) print(a.attr('href')) print(a.attr.href)

 

 

照理來講，咱們選中的a節點應該有4個，並且打印結果也應該是4個，可是當咱們調用attr()方法時，返回結果卻只是第一個。這是由於，當返回結果包含多個節點時，調用attr()方法，只會獲得第一個節點的屬性。

那麼，遇到這種狀況時，若是想獲取全部的a節點的屬性，就要用到前面所說的遍歷了：

from pyquery import PyQuery as pq doc = pq(html) a = doc('a') for item in a.items(): print(item.attr('href'))

 

 

所以，在進行屬性獲取時，能夠觀察返回節點是一個仍是多個，若是是多個，則須要遍歷才能依次獲取每一個節點的屬性。

 

獲取文本

獲取節點以後的另外一個主要操做就是獲取其內部的文本了，此時能夠調用text()方法來實現：

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())

 

這裏首先選中一個a節點，而後調用text()方法，就能夠獲取其內部的文本信息。此時它會忽略掉節點內部包含的全部HTML，只返回純文字內容。

但若是想要獲取這個節點內部的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())

 

 

這裏咱們選中了第三個li節點，而後調用了html()方法，它返回的結果應該是li節點內的全部HTML文本。

這裏一樣有一個問題，若是咱們選中的結果是多個節點，text()或html()會返回什麼內容？咱們用實例來看一下：

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())

結果可能比較出乎意料，html()方法返回的是第一個li節點的內部HTML文本，而text()則返回了全部的li節點內部的純文本，中間用一個空格分割開，即返回結果是一個字符串。

因此這個地方值得注意，若是獲得的結果是多個節點，而且想要獲取每一個節點的內部HTML文本，則須要遍歷每一個節點。而text()方法不須要遍歷就能夠獲取，它將全部節點取文本以後合併成一個字符串。

 

 

7. 節點操做

pyquery提供了一系列方法來對節點進行動態修改，好比爲某個節點添加一個class，移除某個節點等，這些操做有時候會爲提取信息帶來極大的便利。

因爲節點操做的方法太多，下面舉幾個典型的例子來講明它的用法。

addClass和removeClass

咱們先用實例來感覺一下：

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)

 

 

首先選中了第三個li節點，而後調用removeClass()方法，將li節點的active這個class移除，後來又調用addClass()方法，將class添加回來。每執行一次操做，就打印輸出當前li節點的內容。

能夠看到，一共輸出了3次。第二次輸出時，li節點的active這個class被移除了，第三次class又添加回來了。

因此說，addClass()和removeClass()這些方法能夠動態改變節點的class屬性。

attr、text和html

固然，除了操做class這個屬性外，也能夠用attr()方法對屬性進行操做。此外，還能夠用text()和html()方法來改變節點內部的內容。示例以下：

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)

 

 

這裏咱們首先選中li節點，而後調用attr()方法來修改屬性，其中該方法的第一個參數爲屬性名，第二個參數爲屬性值。接着，調用text()和html()方法來改變節點內部的內容。三次操做後，分別打印輸出當前的li節點。

能夠發現，調用attr()方法後，li節點多了一個本來不存在的屬性name，其值爲link。接着調用text()方法，傳入文本以後，li節點內部的文本全被改成傳入的字符串文本了。最後，調用html()方法傳入HTML文本後，li節點內部又變爲傳入的HTML文本了。

因此說，若是attr()方法只傳入第一個參數的屬性名，則是獲取這個屬性值；若是傳入第二個參數，能夠用來修改屬性值。text()和html()方法若是不傳參數，則是獲取節點內純文本和HTML文本；若是傳入參數，則進行賦值。

 

 

remove()

顧名思義，remove()方法就是移除，它有時會爲信息的提取帶來很是大的便利。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())

 

如今想提取Hello, World這個字符串，而不要p節點內部的字符串，須要怎樣操做呢？

這裏直接先嚐試提取class爲wrap的節點的內容，看看是否是咱們想要的。運行結果以下：

這個結果還包含了內部的p節點的內容，也就是說text()把全部的純文本全提取出來了。若是咱們想去掉p節點內部的文本，能夠選擇再把p節點內的文本提取一遍，而後從整個結果中移除這個子串，但這個作法明顯比較煩瑣。

這時remove()方法就能夠派上用場了，咱們能夠接着這麼作:

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

 

 

首先選中p節點，而後調用了remove()方法將其移除，而後這時wrap內部就只剩下Hello, World這句話了，而後再利用text()方法提取便可。

另外，其實還有不少節點操做的方法，好比append()、empty()和prepend()等方法，它們和jQuery的用法徹底一致，詳細的用法能夠參考官方文檔：http://pyquery.readthedocs.io/en/latest/api.html。

 

8. 僞類選擇器

CSS選擇器之因此強大，還有一個很重要的緣由，那就是它支持多種多樣的僞類選擇器，例如選擇第一個節點、最後一個節點、奇偶數節點、包含某一文本的節點等。示例以下：

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>

 

這裏咱們使用了CSS3的僞類選擇器，依次選擇了第一個li節點、最後一個li節點、第二個li節點、第三個li以後的li節點、偶數位置的li節點、包含second文本的li節點。

關於CSS選擇器的更多用法，能夠參考http://www.w3school.com.cn/css/index.asp。

到此爲止，pyquery的經常使用用法就介紹完了。若是想查看更多的內容，能夠參考pyquery的官方文檔：http://pyquery.readthedocs.io。咱們相信有了它，解析網頁再也不是難事。