python爬虫学习笔记之pyquery模块基本用法详解

本文将以实例讲述pyquery模块的基本用法。分享给大家供，大家参考，具体如下：

相关内容：

• pyquery的介绍
• pyquery的使用
  • 安装模块
  • 导入模块
  • 解析对象初始化
  • css选择器
  • 在选定元素之后的元素再选取
  • 元素的文本、属性等内容的获取
• pyquery执行DOM操作、css操作
  • Dom操作
  • CSS操作
• 一个利用pyquery爬取豆瓣新书的例子

pyquery的介绍：

• pyquery允许对xml、html文档进行jQuery查询。
• pyquery使用lxml进行快速xml和html操作。
• pyquery是python中的jquery

PyQuery的使用：

1.安装模块：

pip3 install pyquery

2.导入模块:

from pyquery import PyQuery as pq

3.解析对象初始化：

【使用PyQuery初始化解析对象,PyQuery是一个类，直接将要解析的对象作为参数传入即可】

• 解析对象为字符串时字符串初始化 ：默认情况下是字符串，如果字符串是一个带http\https前缀的，将会认为是一个url

textParse = pq(html)
textParse = pq(html)

• 解析对象为网页时url初始化: 建议使用关键字参数url=

# urlParse = pq('http://www.baidu.com') #1
urlParse = pq(url='http://www.baidu.com') #2

• 解析对象为文件时文件初始化：建议使用关键字参数filename=

fileParse = pq(filename="L:\demo.html")

• 解析完毕后，就可以使用相关函数或变量来进行筛选，可以使用css等来筛选。

4.CSS选择器：

• 利用标签获取：

result = textParse('h2').text()

• 利用类选择器：

result3=textParse(".p1").text()

• 利用id选择：

result4=textParse("#user").attr("type")

• 后代选择器：

result6=textParse("div a").attr.href

• 属性选择器：

result7=textParse("[class='p1']").text()

• CSS3伪类选择器：

result8=textParse("p:last").text()

5.在选定元素之后的元素再选取:

• find():找出指定子元素 ,find可以有参数，该参数可以是任何 jQuery 选择器的语法，
• filter():对结果进行过滤，找出指定元素 ,filter可以有参数，该参数可以是任何 jQuery 选择器的语法，
• children():获取所有子元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
• parent():获取父元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
• parents():获取祖先元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
• siblings():获取兄弟元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，

from pyquery import PyQuery as pq
 
html="""




This is a heading
This is a paragraph.
This is another paragraph.
 
123
hello




"""
 
###初始化
textParse = pq(html)
# urlParse = pq('http://www.baidu.com') #1
# urlParse = pq(url='http://www.baidu.com') #2
# fileParse = pq(filename="L:\demo.html")
 
##获取
result = textParse('h2').text()
print(result)
result2= textParse('div').html()
print(result2)
result3=textParse(".p1").text()
print(result3)
result4=textParse("#user").attr("type")
print(result4)
result5=textParse("p,div").text()
print(result5)
result6=textParse("div a").attr.href
print(result6)
result7=textParse("[class='p1']").text()
print(result7)
result8=textParse("p:last").text()
print(result8)
result9=textParse("div").find("a").text()
print(result9)
result12=textParse("p").filter(".p1").text()
print(result12)
result10=textParse("div").children()
print(result10)
result11=textParse("a").parent()
print(result11)

6.元素的文本、属性等内容的获取：

attr(attribute):获取属性：

result2=textParse("a").attr("href")

attr.xxxx:获取属性xxxx：

result21=textParse("a").attr.href
result22=textParse("a").attr.class_

text():获取文本，子元素中也仅仅返回文本:

result1=textParse("a").text()

html():获取html,功能与text类似,但返回html标签:

result3=textParse("div").html()

DOM操作：

add_class():增加class
remove_class():移除class
remove():删除指定元素

from pyquery import PyQuery as pq
 
html="""




This is a heading
This is a paragraph.
This is another paragraph.
 
123
hello




"""
 
textParse=pq(html)
textParse('a').add_class("c1")
print(textParse('a').attr("class"))
 
textParse('a').remove_class("c1")
print(textParse('a').attr("class"))
 
print(textParse('div').html())
textParse('div').remove("a")
print(textParse('div').html())

css操作：

• attr()：设置属性
  • 设置格式：attr("属性名","属性值")
• css()：设置css
  • 设置格式1:css("css样式","样式值")
  • 格式2：css({"样式1":"样式值","样式2":"样式值"})

from pyquery import PyQuery as pq
 
html="""




This is a heading
This is a paragraph.
This is another paragraph.
 
123
hello




"""
 
textParse=pq(html)
textParse('a').attr("name","hehe")
print(textParse('a').attr("name"))
 
textParse('a').css("color","white")
textParse('a').css({"background-color":"black","postion":"fixed"})
print(textParse('a').attr("style"))

这些操作什么时候会被用到呢？

【有时候我们可能会将数据样式处理一下再存储下来，就需要用到,如果获取下来的数据样式不满意，就可以自定义成想要的格式】
【有时候需要逐层清理再筛选出指定结果，比如

123

中，如果仅仅想要获取123就可以先删除再获取】

一个利用pyquery爬取豆瓣新书的例子:

先使用审查元素,定位目标元素

 

确认爬取信息：

需要注意的是：豆瓣新书是有一些分在后面页的，实际上目标应该是li的上一级ul：

使用PyQuery筛选出结果：

from pyquery import PyQuery as pq
 
urlParse=pq(url="https://book.douban.com/")
 
info=urlParse("div.carousel ul li div.info")
 
file=open("demo.txt","w",encoding="utf8")
for i in info.items():
  title=i.find("div.title")
  author=i.find("span.author")
  abstract=i.find(".abstract")
  file.write("标题:"+title.text()+"\n")
  file.write("作者:"+author.text()+"\n")
  file.write("概要:"+abstract.text()+"\n")
  file.write("-----------------\n")
  print("\n")
file.close()