第67天:PyQuery 详解

2019/11/23

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 = """
<html>
    <head>
        我爱我的祖国
        <title>China</title>
    </head>
    <body>
        <ul id="container">
            <li class="li1">五星</li>
            <li class="li2">红旗</li>
            <li class="li3">迎风飘扬</li>
        </ul>
    </body>
</html>
"""

doc = pq(html)
print(type(doc))
print(doc)

# 输出结果
<class 'pyquery.pyquery.PyQuery'>
<html>
    <head>
        我爱我的祖国
        <title>China</title>
    </head>
    <body>
        <ul id="container">
            <li class="li1">五星</li>
            <li class="li2">红旗</li>
            <li class="li3">迎风飘扬</li>
        </ul>
    </body>
</html>

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
<class 'pyquery.pyquery.PyQuery'>
<p>this is a string
this is second row
</p>

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
<class 'pyquery.pyquery.PyQuery'>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>Title</title>
</head>
<body>

</body>
</html>

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
<class 'pyquery.pyquery.PyQuery'>
<html><body><p>this is a txt</p></body></html>

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
<class 'pyquery.pyquery.PyQuery'>
<html> <head><meta http-equiv="content-type" content="text/html;charset=utf-8"/><meta http-equiv="X-UA-Compatible" content="IE=Edge"/><meta content="always" name="referrer"/><link
...

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
<class 'pyquery.pyquery.PyQuery'>
<ul id="container">
            <li class="li1">五星</li>
            <li class="li2">红旗</li>
            <li class="li3">迎风飘扬</li>
        </ul>

我们也可以用 class 选择器,例如:

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

# 输出结果
<class 'pyquery.pyquery.PyQuery'>
<li class="li2">红旗</li>

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
<ul id="container">
            <li class="li1">五星</li>
            <li class="li2">红旗</li>
            <li class="li3">迎风飘扬</li>
        </ul>

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
<li class="li2" style="font-size: 18px">红旗</li>

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
<li class="li2">红旗</li>
            
<li class="li1">五星</li>
            
<li class="li3">迎风飘扬</li>

我们也可以用 contains 方法来筛选内容,例如:

html = """
<html>
    <head>
        我爱我的祖国
        <title>China</title>
    </head>
    <body>
        <ul id="container">
            <li class="li1">五星啊</li>
            <li class="li2">红旗</li>
            <li class="li3">迎风飘扬啊</li>
        </ul>
    </body>
</html>
"""

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
<li class="li1">五星啊</li>
            
<li class="li2">红旗</li>

<li class="li1">五星啊</li>
            <li class="li3">迎风飘扬啊</li>

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
<ul id="container">
            <li class="li1">五星啊</li>
            <li class="li2">红旗</li>
            <li class="li3">迎风飘扬啊</li>
        </ul>

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
<li class="li1">五星啊</li>
            <li class="li2">红旗</li>
            <li class="li3">迎风飘扬啊</li>

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
<body>
        <ul id="container">
            <li class="li1">五星啊</li>
            <li class="li2">红旗</li>
            <li class="li3">迎风飘扬啊</li>
        </ul>
    </body>

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
<li class="li1">五星啊</li>
            <li class="li3">迎风飘扬啊</li>

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)

<head>
    
    <meta http-equiv="content-type" content="text/html;charset=utf-8"/>
...

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


微信扫描二维码,关注我的公众号

(转载本站文章请注明作者和出处 纯洁的微笑-ityouknow

点击了解 :Java 技术人的网站

Show Disqus Comments

Post Directory

扫码关注公众号:纯洁的微笑
发送 290992
即可立即永久解锁本站全部文章