Python解析HTML的开发库pyquery

PyQuery是一个类似于jQuery的Python库,也可以说是jQuery在Python上的实现,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。

例如,一段豆瓣html片段http://movie.douban.com/subject/3530403/

 1 <div id="info">

 2         <span><span class='pl'>导演</span>: <a href="/celebrity/1047989/" rel="v:directedBy">汤姆·提克威</a> / <a href="/celebrity/1161012/" rel="v:directedBy">拉娜·沃卓斯基</a> / <a href="/celebrity/1013899/" rel="v:directedBy">安迪·沃卓斯基</a></span><br/>

 3         <span><span class='pl'>编剧</span>: <a href="/celebrity/1047989/">汤姆·提克威</a> / <a href="/celebrity/1013899/">安迪·沃卓斯基</a> / <a href="/celebrity/1161012/">拉娜·沃卓斯基</a></span><br/>

 4         <span><span class='pl'>主演</span>: <a href="/celebrity/1054450/" rel="v:starring">汤姆·汉克斯</a> / <a href="/celebrity/1054415/" rel="v:starring">哈莉·贝瑞</a> / <a href="/celebrity/1019049/" rel="v:starring">吉姆·布劳德本特</a> / <a href="/celebrity/1040994/" rel="v:starring">雨果·维文</a> / <a href="/celebrity/1053559/" rel="v:starring">吉姆·斯特吉斯</a> / <a href="/celebrity/1057004/" rel="v:starring">裴斗娜</a> / <a href="/celebrity/1025149/" rel="v:starring">本·卫肖</a> / <a href="/celebrity/1049713/" rel="v:starring">詹姆斯·达西</a> / <a href="/celebrity/1027798/" rel="v:starring">周迅</a> / <a href="/celebrity/1019012/" rel="v:starring">凯斯·大卫</a> / <a href="/celebrity/1201851/" rel="v:starring">大卫·吉雅西</a> / <a href="/celebrity/1054392/" rel="v:starring">苏珊·萨兰登</a> / <a href="/celebrity/1003493/" rel="v:starring">休·格兰特</a></span><br/>

 5         <span class="pl">类型:</span> <span property="v:genre">剧情</span> / <span property="v:genre">科幻</span> / <span property="v:genre">悬疑</span><br/>

 6         <span class="pl">官方网站:</span> <a href="http://cloudatlas.warnerbros.com" rel="nofollow" target="_blank">cloudatlas.warnerbros.com</a><br/>

 7         <span class="pl">制片国家/地区:</span> 德国 / 美国 / 香港 / 新加坡<br/>

 8         <span class="pl">语言:</span> 英语<br/>

 9         <span class="pl">上映日期:</span> <span property="v:initialReleaseDate" content="2013-01-31(中国大陆)">2013-01-31(中国大陆)</span> / <span property="v:initialReleaseDate" content="2012-10-26(美国)">2012-10-26(美国)</span><br/>

10         <span class="pl">片长:</span> <span property="v:runtime" content="134">134分钟(中国大陆)</span> / 172分钟(美国)<br/>

11         

12         <span class="pl">IMDb链接:</span> <a href="http://www.imdb.com/title/tt1371111" target="_blank" rel="nofollow">tt1371111</a><br>

13 

14         <span class="pl">官方小站:</span>

15         <a href="http://site.douban.com/202494/" target="_blank">电影《云图》</a>

16 </div>
View Code
from pyquery import PyQuery as pq

doc=pq(url='http://movie.douban.com/subject/3530403/')

data=doc('.pl')

for i in data:

    print pq(i).text()

 输出

导演

编剧

主演

类型:

官方网站:

制片国家/地区:

语言:

上映日期:

片长:

IMDb链接:

官方小站:

  用起来很像jQuery吧。

用法

     用户可以使用PyQuery类从字符串、lxml对象、文件或者url来加载xml文档:

>>> from pyquery import PyQuery as pq

>>> from lxml import etree

>>> doc=pq("<html></html>")

>>> doc=pq(etree.fromstring("<html></html>"))

>>> doc=pq(filename=path_to_html_file)

>>> doc=pq(url='http://movie.douban.com/subject/3530403/')

  可以像jQuery一样选择对象了

>>> doc('.pl')

[<span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span#rateword.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <span.pl>, <p.pl>]

  这样,class为'pl'的对象就全部选择出来了。

     不过在使用迭代时需要对文本进行重新封装:

for para in doc('.pl'):

    para=pq(para)

    print para.text()	

导演

编剧

主演

类型:

官方网站:

制片国家/地区:

语言:

上映日期:

片长:

IMDb链接:

官方小站:

  这里得到的text是unicode码,如果要写入文件需要编码为字符串。

     用户可以使用jquery提供的一些伪类(但还不支持css)来进行操作,诸如:

>>> doc('.pl:first')

[<span.pl>]

>>> print  doc('.pl:first').text()

导演

Attributes

    获取html元素的属性

>>> p=pq('<p id="hello" class="hello"></p>')('p')

>>> p.attr('id')

'hello'

>>> p.attr.id

'hello'

>>> p.attr['id']

'hello'

  赋值

>>> p.attr.id='plop'

>>> p.attr.id

'plop'

>>> p.attr['id']='ola'

>>> p.attr.id

'ola'

>>> p.attr(id='hello',class_='hello2')

[<p#hello.hell0>]

Traversing

     过滤

>>> d=pq('<p id="hello" class="hello"><a/>hello</p><p id="test"><a/>world</p>')

>>> d('p').filter('.hello')

[<p#hello.hello>]

>>> d('p').filter('#test')

[<p#test>]

>>> d('p').filter(lambda i:i==1)

[<p#test>]

>>> d('p').filter(lambda i:i==0)

[<p#hello.hello>]

>>> d('p').filter(lambda i:pq(this).text()=='hello')

[<p#hello.hello>]

  按照顺序选择

>>> d('p').eq(0)

[<p#hello.hello>]

>>> d('p').eq(1)

[<p#test>]

  选择内嵌元素

>>> d('p').eq(1).find('a')

[<a>]

  选择父元素

>>> d=pq('<p><span><em>Whoah!</em></span></p><p><em> there</em></p>')

>>> d('p').eq(1).find('em')

[<em>]

>>> d('p').eq(1).find('em').end()

[<p>]

>>> d('p').eq(1).find('em').end().text()

'there'

>>> d('p').eq(1).find('em').end().end()

[<p>, <p>]

  

下载:http://pypi.python.org/pypi/pyquery

文档:http://packages.python.org/pyquery/

选择器总结:http://www.cnblogs.com/onlys/articles/jQuery.html

你可能感兴趣的:(python)