前言
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，和它差不多的还有BeautifulSoup，都是用来解析的。相比BeautifulSoup完美翔实的文档，虽然PyQuery库的文档弱爆了， 但是使用起来还是可以的，有些地方用起来很方便简洁。
安装
关于PyQuery的安装可以参考这篇文章：//www.jb51.net/article/82955.htm
PyQuery库官方文档
- 初始化为PyQuery对象
- 常用的CCS选择器
- 伪类选择器
- 查找标签
- 获取标签信息
初始化为PyQuery对象
html = """ 简单好用的PyQuery
- Python
- 大法
- 好
相当于BeautifulSoup库的初识化方法，将html转化为BeautifulSoup对象。
bsObj = BeautifulSoup(html, 'html.parser')
PyQuery库也要有自己的初始化。
1.1 将字符串初始化
from pyquery import PyQuery as pq #初始化为PyQuery对象 doc = pq(html) print(type(doc)) print(doc)
返回
PyQuery学习
1.2 将html文件初始化
#filename参数为html文件路径 test_html = pq(filename = 'test.html') print(type(test_html)) print(test_html)
返回
PyQuery学习
1.3 对网址响应进行初始化
response = pq(url = 'https://www.baidu.com') print(type(response)) print(response)
返回
ç�¾åº¦ä¸�ä¸�ï¼�ä½ å°±ç�¥é�� ©2017 Baidu 使ç�¨ç�¾åº¦å��å¿ è¯» æ��è§�å��é¦� 京ICPè¯�030173å�・
二、常用的CCS选择器
打印id为container的标签
print(doc('#container'))
print(type(doc('#container')))
返回
打印class为object-1的标签
print(doc('.object-1'))
返回
打印标签名为body的标签
print(doc('body'))
返回
多种css选择器使用
print(doc('html #container'))
返回
三、伪类选择器
伪类nth
print(pseudo_doc('li:nth-child(2)'))
#打印第一个li标签
print(pseudo_doc('li:first-child'))
#打印最后一个标签
print(pseudo_doc('li:last-child'))
返回
contains
#找到含有Python的li标签
print(pseudo_doc("li:contains('Python')"))
#找到含有好的li标签
print(pseudo_doc("li:contains('好')"))
返回
四、查找标签
按照条件在Pyquery对象中查找符合条件的标签，类似于BeautifulSoup中的find方法。
打印id=container的标签
print(doc.find('#container'))
返回
返回
4.2 子辈标签-children方法
#id=container的标签的子辈标签
container = doc.find('#container')
print(container.children())
返回
4.3 父辈标签-parent方法
object_2 = doc.find('.object-2')
print(object_2.parent())
返回
4.4 兄弟标签-siblings方法
object_2 = doc.find('.object-2')
print(object_2.siblings())
返回
五、获取标签的信息
定位到目标标签后，我们需要标签内部的文本或者属性值，这时候需要进行提取文本或属性值操作
5.1 标签属性值的提取
.attr() 传入 标签的属性名，返回属性值
object_2 = doc.find('.object-2')
print(object_2.attr('class'))
返回
object-2
5.2 标签内的文本
.text()
html_text = """ 简单好用的PyQuery
-
Hello World！
- Python
- 大法
- 好
返回
简单好用的 PyQuery Hello World！ Python 大法 好
object_1 = docs.find('.object-1')
print(object_1.text())
container = docs.find('#container')
print(container.text())
返回
Python Hello World！ Python 大法 好
tips:如果我只想获得Hello World这个，不想得到其他的文本，可以使用remove方法将li标签去掉，然后再使用text方法
container = docs.find('#container')
container.remove('li')
print(container.text())
返回
Hello World！
pyquery一些自定义的用法
访问网址
PyQuery与BeautifulSoup对比，我们会发现PyQuery可以对网址发起请求。 比如
from pyquery import PyQuery PyQuery(url = 'https://www.baidu.com')
opener参数
这是PyQuery对百度网址进行请求，并将请求返回的响应数据处理为PyQuery对象。一般pyquery库会默认调用urllib库，如果想使用selenium或者requests库，可以自定义PyQuery的opener参数。
opener参数作用是告诉pyquery用什么请求库对网址发起请求。常见的请求库如urllib、requests、selenium。这里我们自定义一个selenium的opener。
from pyquery import PyQuery from selenium.webdriver import PhantomJS #用selenium访问url def selenium_opener(url): #我没有将Phantomjs放到环境变量，所以每次用都要放上路径 driver = PhantomJS(executable_path = 'phantomjs的路径') driver.get(url) html = driver.page_source driver.quit() return html #注意，使用时opener参数是函数名，没有括号的！ PyQuery(url='https://www.baidu.com/', opener=selenium_opener)
这时候我们就能对PyQuery对象进行操作，提取有用的信息。具体请看上次的分享，如果想了解更多的功能，pyquery文档写的不怎么详细，好在基本跟jQuery功能吻合，我们如果想用好pyquery，需要查看jQuery文档。
cookies、headers
在requests用法中，一般为了访问网址更加真实，模仿成浏览器。一般我们需要传入headers，必要的时候还需要传入cookies参数。而pyquery库就有这功能，也能伪装浏览器。
from pyquery import PyQuery
cookies = {'Cookie':'你的cookie'}
headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
PyQuery(url='https://www.baidu.com/',headers=headers,cookies=cookies)
让你的selenium带上pyquery功能
让driver访问的网址得到的网页直接变为PyQuery对象，更方便提取数据
from pyquery import PyQuery from selenium.webdriver import PhantomJS class Browser(PhantomJS): @property def dom(self): return PyQuery(self.page_source)""" 这部分property是装饰器，需要知道@property下面紧跟的函数，实现了类的属性功能。 这里browser.dom，就是browser的dom属性。 """ browser = Browser(executable_path='phantomjs的路径') browser.get(url='https://www.baidu.com/') print(type(browser.dom))
返回
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对脚本之家的支持。