Python爬虫之PyQuery模块
Python爬虫之PyQuery模块
- 一：PyQuery简介
- 二：初始化
- 2.1 字符串的初始化
- 2.2 URL初始化
- 2.3 文件初始化
- 三：基本CSS选择器
- 3.1 查找子节点
- 3.2 查找父节点
- 3.3 查找兄弟节点
- 四：遍历
- 五：获取信息
- 5.1 获取属性
- 5.2 获取文本
- 六：DOM操作
- 6.1 addClass和removeClass
- 6.2 attr、text和html
- 6.3 remove()
- 七：其他操作方法
一：PyQuery简介
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PyQuery模块：
pip install pyquery
二：初始化
像Beautiful Soup一样，初始化pyquery的时候，也需要传入HTML文本来初始化一个PyQuery对象。它的初始化方式有多种，比如直接传入字符串，传入URL，传入文件名，等等。下面我们来详细介绍一下。
2.1 字符串的初始化
html = '''
- first item
- second item
- third item
- fourth item
- fifth item
'''
from pyquery import PyQuery as pq
doc = pq(html)
print(doc('li'))
# first item
# second item
# third item
# fourth item
# fifth item
和beautifulsoup一样，可以传入一段html代码，声明pq的对象之，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。
2.2 URL初始化
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，此时只需要指定参数为url即可：
doc = pq(url='https://www.baidu.com/')
print(doc('title')) # 输出title标签
这样的话，PyQuery对象会首先请求这个URL，然后用得到的HTML内容完成初始化，这其实就相当于用网页的源代码以字符串的形式传递给PyQuery类来初始化。它与以下的功能是相同的：
from pyquery import PyQuery as pq
import requests
doc = pq(requests.get('https://www.baidu.com').text)
print(doc('title'))
2.3 文件初始化
除了传递url外，也可以传入本地的文件进行初始化
from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
print(doc('li'))
本地HTML文件demo.html，其内容是待解析的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类来初始化。
三：基本CSS选择器
html = '''
- first item
- second item
- third item
- fourth item
- fifth item
'''
from pyquery import PyQuery as pq
doc = pq(html)
print(doc('#container .list li'))
print(type(doc('#container .list li')))
这里我们初始化PyQuery对象之后，传入了一个CSS选择器#container .list li，它的意思是先选取id为container的节点，然后再选取其内部的class为list的节点内部的所有li节点。然后，打印输出。可以看到，我们成功获取到了符合条件的节点。最后，将它的类型打印输出。可以看到，它的类型依然是PyQuery类型。
3.1 查找子节点
doc = pq(html)
items = doc('.list')
print(type(items))
print(items)
lis = items.find('li')
print(type(lis))
print(lis)
首先，我们选取class为list的节点，然后调用了find()方法，传入CSS选择器，选取其内部的li节点，最后打印输出。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，那么可以用children()方法：
lis = items.children()
print(type(lis))
print(lis)
如果要筛选所有子节点中符合条件的节点，比如想筛选出子节点中class为active的节点，可以向children()方法传入CSS选择器.active：
lis = items.children('.active')
print(lis)
3.2 查找父节点
我们可以用parent()方法来获取某个节点的父节点，示例如下：
doc = pq(html)
items = doc('.list')
container = items.parent()
print(type(container))
print(container)
这里我们首先用.list选取class为list的节点，然后调用parent()方法得到其父节点，其类型依然是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。
如果想获取某个祖先节点，需要使用parents()方法：
from pyquery import PyQuery as pq
doc = pq(html)
items = doc('.list')
parents = items.parents()
print(type(parents))
print(parents)
输出结果有两个：一个是class为wrap的节点，一个是id为container的节点。也就是说，parents()方法会返回所有的祖先节点。
如果想要筛选某个祖先节点的话，可以向parents()方法传入CSS选择器，这样就会返回祖先节点中符合CSS选择器的节点：
parent = items.parents('.wrap')
print(parent)
3.3 查找兄弟节点
如果要获取兄弟节点，可以使用siblings()方法。这里还是以上面的HTML代码为例：
from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.list .item-0.active')
print(li.siblings())
这里首先选择class为list的节点内部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4个，那就是第一、二、四、五个li节点。这里将会输出这几个兄弟节点。
如果要筛选某个兄弟节点，我们依然可以向siblings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：
html = '''
- first item
- second item
- third item
- fourth item
- fifth item
'''
doc = pq(html)
items = doc('.list')
li = doc('.list .item-0.active')
print(li.siblings('.active'))
# fourth item
这里我们筛选了class为active的节点，通过刚才的结果可以观察到，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。
四：遍历
pyquery的选择结果可能是多个节点，也可能是单个节点，类型都是PyQuery类型，并没有返回像Beautiful Soup那样的列表。对于多个节点的结果，我们就需要遍历来获取了。例如，这里把每一个li节点进行遍历，需要调用items()方法：
html = '''
- first item
- second item
- third item
- fourth item
- fifth item
'''
doc = pq(html)
lis = doc('li').items()
print(type(lis))
for li in lis:
print(li, type(li))
五：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，下面分别进行说明。
5.1 获取属性
提取到某个PyQuery类型的节点后，就可以调用attr()方法来获取属性：
html = '''
- first item
- second item
- third item
- fourth item
- fifth item
'''
from pyquery import PyQuery as pq
doc = pq(html)
a = doc('.item-0.active a')
print(a, type(a))
print(a.attr('href')) # 也可以使用 a.attr.href获取属性
这里首先选中class为item-0和active的li节点内的a节点，它的类型是PyQuery类型。然后调用attr()方法。在这个方法中传入属性的名称，就可以得到这个属性值了。
如果选中的是多个元素，然后调用attr()方法，只会输出一个节点的结果。
html = '''
- first item
- second item
- third item
- fourth item
- fifth item
'''
doc = pq(html)
a = doc('a')
# print(a, type(a))
# print(a.attr('href'))
print(a.attr.href)
# link2.html
如果入到这种情况，需要对结果进行遍历：
doc = pq(html)
a = doc('a')
for item in a.items():
print(item.attr('href'))
5.2 获取文本
获取节点之后的另一个主要操作就是获取其内部的文本了，此时可以调用text()方法来实现：
html = '''
- first item
- second item
- third item
- fourth item
- fifth item
'''
doc = pq(html)
a = doc('.item-0.active a')
print(a)
print(a.text())
# third item
这里首先选中一个a节点，然后调用text()方法，就可以获取其内部的文本信息。此时它会忽略掉节点内部包含的所有HTML，只返回纯文字内容。
但如果想要获取这个节点内部的HTML文本，就要用html()方法了：
doc = pq(html)
li = doc('.item-0.active')
# print(li)
print(li.html())
# third item
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节点内的所有HTML文本。
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？我们用实例来看一下：
html = '''
'''
doc = pq(html)
li = doc('li')
print(li.html()) # first item
print(li.text()) # first item second item third item fourth item fifth item
结果可能比较出乎意料，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节点内部的纯文本，中间用一个空格分割开，即返回结果是一个字符串。
所以这个地方值得注意，如果得到的结果是多个节点，并且想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，它将所有节点取文本之后合并成一个字符串。
六：DOM操作
pyquery提供了一系列方法来对节点进行动态修改，比如为某个节点添加一个class，移除某个节点等，这些操作有时候会为提取信息带来极大的便利。
6.1 addClass和removeClass
html = '''
- first item
- second item
- third item
- fourth item
- fifth item
'''
doc = pq(html)
li = doc('.item-0.active')
print(li) # third item
li.removeClass('active')
print(li) # third item
li.addClass('active')
print(li) # third item
6.2 attr、text和html
除了操作class这个属性外，也可以用attr()方法对属性进行操作。此外，还可以用text()和html()方法来改变节点内部的内容。
html = '''
'''
doc = pq(html)
li = doc('.item-0.active')
print(li)
li.attr('name', 'link') # 添加一个name为link的属性
print(li)
li.text('changed item')
print(li)
li.html('changed item')
print(li)
输出结果如下：
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-0 active" name="link"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-0 active" name="link">changed item</li>
<li class="item-0 active" name="link"><span>changed item</span></li>
6.3 remove()
remove()方法就是移除，它有时会为信息的提取带来非常大的便利。下面有一段HTML文本
html = '''
Hello, World
This is a paragraph.
'''
doc = pq(html)
wrap = doc('.wrap')
print(wrap.text())
# Hello, World
# This is a paragraph.
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烦琐。这时remove()方法就可以派上用场了，我们可以接着这么做：
doc = pq(html)
wrap = doc('.wrap')
wrap.find('p').remove()
print(wrap.text())
七：其他操作方法
另外，其实还有很多节点操作的方法，比如append()、empty()和prepend()等方法，它们和jQuery的用法完全一致，详细的用法可以参考官方文档：
http://pyquery.readthedocs.io/en/latest/api.html