19-爬虫解析利器pyquery详解

喜欢ヅ旅行 2022-12-15 03:47 231阅读 0赞

强大灵活的网页解析库。如果你觉得正则写起来太麻烦，或者BeautifulSoup语法太难记，如果你熟悉jQuery的语法，那么pyquery就是最佳选择。它与jQuery api相同，可以无缝迁移

### 1.pyquery库的了解 ###

pyquery库是jQuery的Python实现，能够以jQuery的语法来操作解析 HTML 文档，易用性和解析速度都很好。

![image][]

#### 1.1 pyquery库的安装方法: ####

在cmd输入:`pip install pyquery`

#### 1.2 pyquery库的引用:(注意大小写) ####

from pyquery import PyQuery as pq

### 2.pyquery初始化 ###

像BeautifulSoup一样，PyQuery初始化的时候也需要传入HTML数据源来初始化一个操作对象，它的初始化方式有多种，比如直接传入字符串，传入URL，传文件名。下面我们来详细介绍一下。

#### 2.1直接传入字符串 ####

在这里我们首先引入了PyQuery这个对象，取别名为pq，然后声明了一个长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。

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
    >>> doc=pq(html)
    >>> print(doc("li"))
    <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>

#### 2.2传入URL ####

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，在这里只需要指定参数为url即可。

>>> from pyquery import PyQuery as pq
    >>> doc=pq(url="http://www.baidu.com")
    >>> print(doc("head")) #输出head标签
    <head><meta http-equiv="content-type" content="text/html;charset=utf-8"/>
    <meta http-equiv="X-UA-Compatible" content="IE=Edge"/>
    <meta content="always" name="referrer"/>
    <link rel="stylesheet" type="text/css" href="http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css"/>
    <title>百度</title>
    </head>

这样的话PyQuery会首先请求这个URL，然后用得到的HTML内容完成初始化，其实就相当于我们用网页的源代码以字符串的形式传递给PyQuery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://www.baidu.com").text)
    >>> print(doc("head"))
    <head><meta http-equiv="content-type" content="text/html;charset=utf-8"/><meta http-equiv="X-UA-Compatible" content="IE=Edge"/><meta content="always" name="referrer"/><link rel="stylesheet" type="text/css" href="http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css"/>
    <title>百度</title>
    </head> 
    >>>

#### 2.3传文件名 ####

当然除了传递一个URL，还可以传递本地的文件名，参数指定为filename即可。

![image][image 1]

当然在这里需要有一个本地HTML文件demo.html，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来初始化。

以上三种初始化方式均可，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 ###

从这一节开始，我们就要对PyQuery对象进行操作，获得我们想要的各种数据。你会看到解析网页，不论什么库，基本原理实际上是没有区别的，学会了一种解析库。再看其他解析库文档，是很容易理解的。

在 CSS 中，选择器是一种模式，用于选择需要添加样式的元素。

![image][image 2]

本文只讲clas id 和element最常见的css选择器。对css不太懂了，也没关系，可以去w3c的css选择器

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> '''

在这里我们初始化PyQuery对象之后，传入了一个CSS选择器，\#container .list li，意思是选取id为container的节点内部的class为list的节点内部的所有li节点。然后打印输出，可以看到成功获取到了符合条件的节点。

然后我们将它的类型打印输出，可以看到它的类型依然是PyQuery类型。有层级的关系需要用空格隔开.

>>> from pyquery import PyQuery as pq
    >>> doc=pq(html)
    >>> print(doc("#container .list li"))
    <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>

### 4.查找元素 ###

下面我们介绍一些常用的查询函数，这些函数和jQuery中的函数用法也完全相同。

#### 4.1子元素 ####

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
    >>> doc=pq(html)
    >>> items=doc(".list")
    >>> print(type(items))
    <class 'pyquery.pyquery.PyQuery'>
    
    >>> print(items)
    <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>
    
    >>> list=items.find("li")
    >>> print(type(list))
    <class 'pyquery.pyquery.PyQuery'>
    >>> print(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>

**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。

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。

>>> list = items.children()
    >>> print(type(list))
    <class 'pyquery.pyquery.PyQuery'>
    >>> print(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>

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

>>> list = items.children('.active')
    >>> print(list)
    <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>

#### 4.2父元素 ####

##### 4.2.1parent()方法 #####

我们可以用parent()方法来获取某个节点的父节点，我们用一个实例来感受一下：

以下案例分析:

*  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。

>>> from pyquery import PyQuery as pq
    >>> doc = pq(html)
    >>> items = doc('.list')
    >>> container = items.parent()
    >>> print(type(container))
    <class 'pyquery.pyquery.PyQuery'>
    >>> print(container)
    <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>

##### 4.2.2parents()方法 #####

以下案例:但是如果我们想获取某个祖先节点怎么办呢？可以用parents()方法。

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> '''

parents查找所有的父亲节点,返回两个结果.

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

parents可进行再次筛选

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

#### 4.3兄弟元素 ####

在上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。我们还是以上面的HTML代码为例来感受一下：

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
    >>> doc = pq(html)
    >>> li = doc('.list .item-0.active')
    >>> print(li.siblings())
    <li class="item-1"><a href="link2.html">second item</a></li>
                 <li class="item-0">first item</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>

果要筛选某个兄弟节点，我们依然可以向方法传入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。

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,如下:

>>> from pyquery import PyQuery as pq
    >>> 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>

### 5.遍历 ###

我们刚才可以观察到，PyQuery的选择结果可能是多个节点，可能是单个节点，类型都是PyQuery类型，并没有返回像BeautifulSoup一样的列表。

#### 5.1单个元素 ####

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。

#### 5.2多个元素 ####

如下案例:

*  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
    >>> doc = pq(html)
    >>> lis=doc("li").items()
    >>> print(type(list))
    <class 'pyquery.pyquery.PyQuery'>
    >>> for li in lis:
        print(li)
    
    <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>

### 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，下面我们分别进行说明。

#### 6.1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
    >>> 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
    link3.html
    >>> print(a.attr.href)#方法二
    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。

#### 6.2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
    >>> 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

我们首先选中了一个a节点，然后调用了text()方法，就可以获取其内部的文本信息了，它会忽略掉标签内部包含的所有HTML，只返回纯文字内容。

#### 6.3获取HTML ####

但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**。

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标签内的所有HTML文本。

#### 6.4获取属性/文本/HTML总结 ####

注意: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？

*  我们选中的是所有的li节点，可以发现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节点内部纯文本，中间用一个空格分割开，实际上是一个字符串。
 *  如果我们得到的结果是多个节点，如果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，它是将所有节点取文本之后合并成一个字符串。

### 7.DOM操作 ###

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

#### 7.1addClass、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
    >>> 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>
    
    >>> li.removeClass('active')#[<li.item-0>]
    >>> print(li)
    <li class="item-0"><a href="link3.html"><span class="bold">third item</span></a></li>
    
    >>> li.addClass('active')#[<li.item-0.active>]
    >>> print(li)
    <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>

可以看到一共进行了三次输出，第二次输出li标签的active这个class被移除了，第三次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。

#### 7.2attr、css ####

##### 7.2.1attr #####

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
    >>> 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>
    
    >>> li.attr('name', 'link')#[<li.item-0.active>]
    >>> 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.

##### 7.2.2css #####

>>> from pyquery import PyQuery as pq
    >>> 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>
    
    >>> li.css('font-size', '14px')#[<li.item-0.active>]
    >>> 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>

#### 7.3remove ####

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。这个用的比较频繁下面我们看一个实例：

html = ''' <div class="wrap"> Hello, World <p>This is a paragraph.</p> </div> '''

在这里有一段HTML文本，我们现在想提取Hello, World这个字符串，而不要p节点内部的字符串，这个怎样来提取？

>>> from pyquery import PyQuery as pq
    >>> doc = pq(html)
    >>> wrap = doc('.wrap')
    >>> print(wrap.text())
    Hello, World
    This is a paragraph.
    >>> wrap.find('p').remove()#[<p>]
    >>> 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。

其他DOM方法

*  另外其实还有很多节点操作的方法，比如append()、empty()、prepend()等方法，他们和jQuery的用法是完全一致的，详细的用法可以看到官方文档。  
    [http://pyquery.readthedocs.io/en/latest/api.html][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：

计数是从0开始的

from pyquery import PyQuery as pq
    doc = pq(html)
    li = doc('li:first-child')#节点、第一个
    print(li)
    li = doc('li:last-child')#节点、最后一个
    print(li)
    li = doc('li:nth-child(2)')#节点、第二个
    print(li)
    li = doc('li:gt(2)')#获取序号比2大的标签
    print(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 = doc('li:contains(second)')#包含second文本的
    print(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="link2.html">second item</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>
    
    <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 class="item-1"><a href="link2.html">second item</a></li>
    
    ```python
    
    更多CSS选择器可以查看
    [http://www.w3school.com.cn/css/index.asp](https://link.jianshu.com?t=http%3A%2F%2Fwww.w3school.com.cn%2Fcss%2Findex.asp)
    官方文档
    [http://pyquery.readthedocs.io/](https://link.jianshu.com?t=http%3A%2F%2Fpyquery.readthedocs.io%2F)
    
    作者：田小田txt
    链接：https://www.jianshu.com/p/5def029dbdf8

[在线练习：https://www.520mg.com/it][https_www.520mg.com_it]  
![IT 入门感谢关注][IT]  
IT 入门 感谢关注

[image]: /images/20221123/d1b328afed55464d80775e89ee35bbb4.png
[image 1]: /images/20221123/204c84e94f8642e5b424bf52148ce082.png
[image 2]: /images/20221123/3ce88ada9a234a608960473b3d712685.png
[http_pyquery.readthedocs.io_en_latest_api.html]: https://link.jianshu.com?t=http%3A%2F%2Fpyquery.readthedocs.io%2Fen%2Flatest%2Fapi.html
[https_www.520mg.com_it]: https://www.520mg.com/it
[IT]: /images/20221123/afa62a73467240eb8fb9173577d4ea55.png