第67天:PyQuery 详解

by 闲欢

PyQuery 库是一个非常强大又灵活的网页解析库,如果你有前端开发经验,那么你应该接触过 jQuery ,那么 PyQuery 就是你非常绝佳的选择,PyQuery 是 Python 仿照 jQuery 的严格实现,语法与 jQuery 几乎完全相同。

安装

跟安装其他库一样:

>>> pip3 install pyquery

安装了之后,在程序里面就可以引用了,引用方法跟其他库类似:

from pyquery import PyQuery as pq

初始化

PyQuery 可以将 HTML 字符串初始化为对象,也可以将 HTML 文件初始化为对象,甚至可以将请求的响应初始化为对象。下面我们一个个来介绍。

初始化字符串

对于一个标准的 HTML 字符串,PyQuery 可以直接初始化为对象:

html = """

    
        我爱我的祖国
        China
    
    
        
  • 五星
  • 红旗
  • 迎风飘扬
""" doc = pq(html) print(type(doc)) print(doc) # 输出结果 我爱我的祖国 China
  • 五星
  • 红旗
  • 迎风飘扬

我们可以看到,HTML 字符串初始化后,打印出来的是一个 PyQuery 对象。

如果我们的字符串不是 HTML 格式内容,PyQuery 会自动加上段落标签将字符串内容包装成 HTML 内容。例如:

test = '''
this is a string
this is second row
'''

doc = pq(test)
print(type(doc))
print(doc)

# 输出结果

this is a string this is second row

初始化 HTML 文件

初始化文件,只需要加个 filename 参数,指明 文件路径即可:

#filename参数为html文件路径
test_html = pq(filename='test.html')
print(type(test_html))
print(test_html)

# 输出结果



    
    Title





如果文件不是 HTML 文件,那么初始化的时候会自动加上 HTML 标签。例如:

#filename参数为html文件路径
test_txt = pq(filename='test.txt')
print(type(test_txt))
print(test_txt)

# 输出结果

this is a txt

我的 test.txt 文件中只有一行内容: this is a txt。初始化完后,自动添加了 HTML 标签。

初始化请求响应

我们可以把请求的网址内容初始化为 PyQuery 对象,只需要加个参数 url ,将网址赋值给它即可。例如:

response = pq(url='https://www.baidu.com')
print(type(response))
print(response)

# 输出结果

 

我们请求百度的首页,然后初始化为对象,后面内容较多,因此省略。

常用 CSS 选择器

PyQuery 里面 CSS 选择器的用法跟 jQuery 里面是一样的,例如,针对上面的 HTML 字符串内容,我们获取 id 为 container 的标签,然后打印出来:

doc = pq(html)
print(type(doc('#container')))
print(doc('#container'))

# 输出结果

  • 五星
  • 红旗
  • 迎风飘扬

我们也可以用 class 选择器,例如:

print(type(doc('.li2')))
print(doc('.li2'))

# 输出结果

  • 红旗
  • 再复杂一点,我们可以使用多层选择器,例如:

    print(doc('html #container'))
    
    # 输出结果
    
    • 五星
    • 红旗
    • 迎风飘扬

    当然,我们同样可以根据 CSS 选择器修改 HTML 标签的内容:

    li2 = doc('.li2')
    li2.css('font-size', '18px')
    print(li2)
    
    # 输出结果
    
  • 红旗
  • 这里我们给 class 为“li2”的标签加了字体的大小,可以看到返回的内容中有了 style 属性。

    虽然 PyQuery 有修改 HTML 内容的方法,但是我们一般不会用到,因为我们一般是解析 HTML 内容,而不是去修改它,大家了解一下即可。

    伪类选择器

    伪类(Pseudo-classes)是指在 HTML 中,同一个标签,根据其不同的状态,有不同的显示样式。详细的用法可以参考: https://www.runoob.com/css/css-pseudo-classes.html ,里面有详细的介绍。

    我们主要应用伪类选择器来解析 HTML,获取我们所需的数据。例如:

    pseudo_doc = pq(html)
    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'))
    
    # 输出结果
    
  • 红旗
  • 五星
  • 迎风飘扬
  • 我们也可以用 contains 方法来筛选内容,例如:

    html = """
    
        
            我爱我的祖国
            China
        
        
            
    • 五星啊
    • 红旗
    • 迎风飘扬啊
    """ pseudo_doc = pq(html) #找到含有Python的li标签 print(pseudo_doc("li:contains('五星')")) #找到含有好的li标签 print(pseudo_doc("li:contains('红')")) #找到含有啊的li标签 print(pseudo_doc("li:contains('啊')")) # 输出结果
  • 五星啊
  • 红旗
  • 五星啊
  • 迎风飘扬啊
  • 我们可以看到,如果查找的结果有多条记录,那么结果会将多条记录拼在一起。当然,如果查找的内容不存在,就会返回空。

    查找标签

    我们可以按照条件在 Pyquery 对象中查找符合条件的标签,类似于 BeautifulSoup 中的 find 方法。
    例如,我要查找 id 为 container 的标签:

    #打印id为container的标签
    print(doc.find('#container'))
    
    # 输出结果
    
    • 五星啊
    • 红旗
    • 迎风飘扬啊

    我要查找 id 为 container 的标签的子标签,使用 children 方法就可以实现:

    #打印id为container的标签的子标签
    container = doc.find('#container')
    print(container.children())
    
    # 输出结果
    
  • 五星啊
  • 红旗
  • 迎风飘扬啊
  • 查找父标签,我们可以用 parent 方法:

    #打印id为container的标签的父标签
    container = doc.find('#container')
    print(container.parent())
    
    # 输出结果
    
            
    • 五星啊
    • 红旗
    • 迎风飘扬啊

    查找兄弟标签,我们用 siblings 方法:

    #打印class为li2的标签的兄弟标签
    li2 = doc.find('.li2')
    print(li2.siblings())
    
    # 输出结果
    
  • 五星啊
  • 迎风飘扬啊
  • 标签信息的提取

    前面我们讲的都是怎么定位到标签,这只是我们解析数据的第一步,接下来我们需要从标签中提取我们需要的信息。

    如果你需要提取标签的属性值,可以用 .attr() 方法,例如:

    #获取li2的class属性值
    print(doc('.li2').attr('class'))
    
    # 输出结果
    li2
    

    如果你细腰提取标签内的文本,我们可以用 .text() 方法,例如:

    #获取li2的文本
    print(doc('.li2').text())
    
    # 输出结果
    红旗
    

    如果要获取某个标签下面的所有文本(包含子标签的),怎么做?我们来看下个例子:

    #获取html标签下面的所有文本
    print(doc('html').text())
    
    # 输出结果
    我爱我的祖国
    China
    五星啊
    红旗
    迎风飘扬啊
    

    很简单,我们只需要找到这个标签,使用 .text() 方法。

    如果我们要获取某个标签下面的所有文本,但是要排除某些标签的文本,该怎么做?我们来看下个例子:

    #排除部分标签文本
    tag = doc('html')
    tag.remove('title')
    print(tag.text())
    
    # 输出结果
    我爱我的祖国
    五星啊
    红旗
    迎风飘扬啊
    

    我们可以用 .remove() 来删除某些标签,上面例子中可以看到,我们把 title 标签去掉了,title 标签对应的内容 China 也就去掉了。

    PyQuery 处理复杂的网址请求

    前面我们介绍了 PyQuery 可以获取网址请求的 HTML 内容,并转化为对象。我们在请求 URL 时,或许会遇到需要附带一些参数的情况,这些自定义的参数在 PyQuery 请求时也是支持的,例如 cookies 和 headers,我们看例子:

    cookies = {'Cookie':'cookie'}
    headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'}
    
    response = pq(url='https://www.baidu.com',headers=headers,cookies=cookies)
    print(response)
    
    #返回(省略)
    
    
        
        
    ...
    

    总结

    这篇文章给大家介绍了 PyQuery 的常见使用方法,大家如果用的熟练的话,还是可以极大地节约我们解析 HTML 网页内容的时间的。PyQuery 可以称得上是爬虫神器,还有一些用法由于篇幅有限,没有进行介绍。大家可以去官网详细查看,官网地址: https://pythonhosted.org/pyquery/ 。

    文中示例代码:Python-100-days-day067

    关注公众号:python技术,回复"python"一起学习交流

    你可能感兴趣的:(第67天:PyQuery 详解)