上篇文章 PyQuery (一) 回顾。今天来介绍具体 PyQuery 的使用方法。
开始之前,按照之前的套路一步步来。
一、先确立目标。
我们要爬取的目标是:
二、看源码,分析元素节点。
F12 查看当前网页源代码:
https://place.qyer.com/japan/citylist-0-0-1/
选中下图区域,可以看到这是一个 ul 标签,class 为 plcCitylist 。
class 为 plcCitylist ,全局检索一下,ul 标签的 class 值唯一:
在这个无序标签里,有许多 li 标签,class 为 item+数字。
继续分析。
有了上面两个基础结构,来看下其中要提取的详细信息,下图:
城市名字:包含在 a 标签中。
去过的人数:包含在 h3 标签中,且在 p 标签中,class 为 beenton 中。
详情景点:包含在 h3 标签中,且在 p 标签中,class 为 pois 中,且在 a 标签中。
以上分析完了,其实单纯分析节点很简单。重点在于代码如何使用。
依然是分步骤来提取我们想要的。
回忆一下,用 PyQuery 请求到源代码,拿到实例对象。
from pyquery import PyQuery as pq
doc = pq('https://place.qyer.com/japan/citylist-0-0-1')
**1. css选择器,提取外层 ul **
ul_city = doc('.plcCitylist')
基于 css 选择器,获取 class=“plcCitylist” 的 ul 节点元素。因为 class 值唯一,上面说过了。
在 JQuery 的语法中, . 代表着类选择器的写法,而 # 代表着 id 选择器的写法。所以直接用 .值 ,直接可以获取当前标签元素节点,如下:
当然,如果当标签不唯一时,你也可以这样操作,在.前面声明具体标签:
ul_city = doc('ul.plcCitylist')
2. 提取 ul 里层 li 节点元素
lis = ul_city('li')
根据 ul_city 得到的节点变量,用括号加子标签的形式即可获取。
但需要注意的是,尽管我们 print 打印是你看到的文字,它们实际上并不是 str 类型的字符串,而是 PyQuery 这个类型。
3. 遍历单独的 li 元素节点
当我们获取 ul 下面的 li 元素节点时,匹配到的肯定是多个。此时想要逐个解析 li ,并且获取到 li 中的城市名称等抓取信息如何做呢?
for li in lis.items():
通过调用 PyQuery 对象的 items 方法,即可逐层遍历相同元素,就像我们的 list 一样。
4. 标签多个 class 确定唯一值的选择器写法
仔细看我们 li 节点中的 h3 标签,class 里面是有两个值的。
<h3 class = "title fontYaHei">.............
通过这两个值的唯一性,我们可以直接定位到 h3 元素。
h3 = li('.title.fontYaHei')
5. PyQuery 属性选择节点
如果你用不惯以上的所有获取节点元素的方法, PyQuery 还提供了一个便利的方法,即通过标签元素的属性进行定位元素。
a_city = h3('a').attr('data-bn-ipg', 'place-citylist-mix-name-1')
h3(‘a’) 获取的是 h3 标签里 a 标签的元素节点。
使用 .attr 时,后面两个参数说明 a 标签原本的属性由如下组成:
<a data-bn-ipg = "place-citylist-mix-name-1">.............
attr 第一个参数是标签属性的名字,第二个参数则是属性具体的值。
6. PyQuery 节点元素提取文本内容
以上内容操作的都是标签元素的节点,而非本文内容,想要提取文本内容,则调用 xx.text() 方法,节点转为字符串。
p_person_nums = li('p')('.beento')
print(p_person_nums.text())
最终的成果展示如下:
写入 Excel 之后,可以看到第二行的数据都在一行,不方便美观,即使我代码中做了换行的操作。
所以程序跑完后,需要手动操作下 Excel ,让换行符生效,如下操作:
选成文本,完成即可,自己就换行显示了。
获取到的信息写入 Excel 中。比如你想去哪个国家游玩,自己查攻略,通过这种方式来解决信息的整理,也是一种不错的高效方法。
以上提到的 6 点,便是 PyQuery 常用到的基础方法。如果还有想了解具体详情的小伙伴,可以自行去官网查阅具体使用技巧。
实战中进步,学完 PyQuery 的用法,是否觉得学会了一个高效的解析节点的方法库呢?
关于本篇文章的全部源代码,去除空行约 50 行,非常简短,已经上传到 github 了。
有想学习的朋友,可以后台回复 “穷游” 二字,即可获取源码地址。