PyQuery解析器

• 官方文档：https://pythonhosted.org/pyquery/index.html#
• 中文教程：http://www.geoinformatics.cn/lab/pyquery/

前言 Python关于爬虫的库挺多的，也各有所长。了解前端的也都知道， jQuery 能够通过选择器精确定位 DOM 树中的目标并进行操作，所以我想如果能用 jQuery 去爬网页那就 cool 了。 Python 有没有与 DOM 相关的库什么的？—— PyQuery

PyQuery简介

pyquery相当于jQuery的python实现，可以用于解析HTML网页等。它的语法与jQuery几乎完全相同，对于使用过jQuery的人来说很熟悉，也很好上手。 引用作者的原话就是：

“The API is as much as possible the similar to jquery.” 。

安装

pip3 install pyquery

• pyquery 依赖于 lxml ，要先安装 lxml ，否则会提示失败。

pip3 install lxml

初始化 有 4 种方法可以进行初始化： 可以通过传入 字符串、lxml、文件 或者 url 来使用PyQuery。

from pyquery import PyQuery as pq
from lxml import etree

d = pq("")#传入字符串
d = pq(etree.fromstring(""))#传入lxml
d = pq(url='http://google.com/') #传入url
d = pq(filename=path_to_html_file) #传入文件
现在，d 就像 jQuery 中的 $ 一样了。

示例 通过一个简单的例子快速熟悉 pyquery 的用法，传入文件 example.html，内容如下：

first section
1111
17-01-28 22:51


second section
2222
17-01-28 22:53

python代码:

image.png

1、.html()和.text() 获取相应的 HTML 块或者文本内容，

p=pq("")

print (p('head').html())# 获取相应的 HTML 块
print (p('head').text())# 获取相应的文本内容

'''输出：

Hello World!
'''

2、.('selector')：通过选择器来获取目标内容，

d = pq("
test 1
test 2
")

print (d('div').html())# 获取 
 元素内的 HTML 块
print (d('#item-0').text())# 获取 id 为 item-0 的元素内的文本内容
print (d('.item-1').text())# 获取 class 为 item-1 的元素的文本内容

'''输出：
test 1
test 2
test 1
test 2
'''

3、.eq(index)：根据索引号获取指定元素（index 从 0 开始），

d = pq("
test 1
test 2
")

print (d('p').eq(1).text())# 获取第二个 p 元素的文本内容，

'''输出
test 2
'''

4、.find()：查找嵌套元素，

d = pq("
test 1
test 2
")

print d('div').find('p') # 查找 
 内的 p 元素
print d('div').find('p').eq(0) # 查找 
 内的 p 元素，输出第一个 p 元素

'''输出：
test 1
test 2
test 1
'''

5、.filter()：根据 class、id 筛选指定元素，

d = pq("
test 1
test 2
")

print d('p').filter('.item-1') # 查找 class 为 item-1 的 p 元素
print d('p').filter('#item-0') # 查找 id 为 item-0 的 p 元素

'''输出：
test 2
test 1
'''

6、.attr()：获取、修改属性值，

d = pq("
test 1
test 2
")

print d('p').attr('id') # 获取 
 标签的属性 id
print d('a').attr('class','new')# 修改  标签的 class 属性为 new

'''输出：
item-0
test 2
'''

7、其他操作：

.addClass(value)：添加 class；
.hasClass(name)：判断是否包含指定的 class，返回 True 或 False；
.children()：获取子元素；
.parents()：获取父元素；
.next()：获取下一个元素；
.nextAll()：获取后面全部元素块；
.not_('.selector')：获取所有不匹配该选择器的元素；
for i in d.items('li'):
    print i.text()：遍历 d 中的 li 元素