欢迎光临杨雨的个人博客站!

杨雨个人网站-杨雨个人博客-杨照佳

杨雨个人博客网站

关注互联网和搜索引擎的个人博客网站

首页 > WEB开发 > Python教程 >

爬虫的解析方式四:PyQuery

发布时间:2019-06-05  编辑:杨雨个人博客网站   点击:   

众多语言都能进行爬虫,但基于python的爬虫显得更加简洁,方便。爬虫也成了python语言中必不可少的一部分。爬虫的解析方式也是多种多样。上一篇给大家讲述的是爬虫的解析方式三:正则表达式,今天给大家带来的是另一种方式,PyQuery。

zz.jpg

PyQuery

PyQuery库也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的,都应该接触过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,所以不用再去费心去记一些奇怪的方法了。

初始化的时候一般有三种传入方式:传入字符串,传入url,传入文件。

字符串初始化

Html = 
<div>
    <ul>
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.Html">second item</a></li>
         <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
         <li class="item-0"><a href="link5.Html">fifth item</a></li>
     </ul>
</div>
from pyquery 
import PyQuery as pq
doc = pq(Html)print(doc)
print(type(doc))
print(doc('li'))

结果如下:

爬虫的解析方式四:PyQuery

由于PyQuery写起来比较麻烦,所以我们导入的时候都会添加别名:

from pyquery import PyQuery as pq

这里我们可以知道上述代码中的doc其实就是一个pyquery对象,我们可以通过doc可以进行元素的选择,其实这里就是一个Css选择器,所以CSS选择器的规则都可以用,直接doc(标签名)就可以获取所有的该标签的内容,如果想要获取class 则doc('.class_name'),如果是id则doc('#id_name')....

URL初始化

from pyquery import PyQuery as pq
doc = pq(url="http://www.baidu.com",encoding='utf-8')print(doc('head'))

文件初始化

我们在pq()这里可以传入url参数也可以传入文件参数,当然这里的文件通常是一个Html文件,例如:pq(filename='index.Html')

基本的CSS选择器

Html = '''
<div id="container">
    <ul class="list">
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.Html">second item</a></li>
         <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
         <li class="item-0"><a href="link5.Html">fifth item</a></li>
     </ul>
 </div>'''
from pyquery import PyQuery as pq
doc = pq(Html)
print(doc('#container .list li'))

这里我们需要注意的一个地方是doc('#container .list li'),这里的三者之间的并不是必须要挨着,只要是层级关系就可以,下面是常用的CSS选择器方法:

爬虫的解析方式四:PyQuery

查找元素

子元素
children,find
代码例子:

Html = '''
<div id="container">
    <ul class="list">
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.Html">second item</a></li>
         <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
         <li class="item-0"><a href="link5.Html">fifth item</a></li>
     </ul>
 </div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
items = doc('.list')
print(type(items))
print(items)
lis = items.find('li')
print(type(lis))
print(lis)

运行结果如下

从结果里我们也可以看出通过pyquery找到结果其实还是一个pyquery对象,可以继续查找,上述中的代码中的items.find('li') 则表示查找ul里的所有的li标签
当然这里通过children可以实现同样的效果,并且通过.children方法得到的结果也是一个pyquery对象

li = items.children()
print(type(li))
print(li)

同时在children里也可以用CSS选择器

li2 = items.children('.active') 
print(li2)

父元素
parent,parents方法

通过.parent就可以找到父元素的内容,例子如下:

Html = '''<div id="container">
    <ul class="list">
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.Html">second item</a></li>
         <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
         <li class="item-0"><a href="link5.Html">fifth item</a></li>
     </ul>
 </div>'''from pyquery import PyQuery as pq
doc = pq(Html)
items = doc('.list')
container = items.parent()
print(type(container))
print(container)

通过.parents就可以找到祖先节点的内容,例子如下:

Html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.Html">second item</a></li>
             <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
             <li class="item-0"><a href="link5.Html">fifth item</a></li>
         </ul>
     </div>
 </div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
items = doc('.list')
parents = items.parents()
print(type(parents))
print(parents)

结果如下:从结果我们可以看出返回了两部分内容,一个是的父节点的信息,一个是父节点的父节点的信息即祖先节点的信息

同样我们通过.parents查找的时候也可以添加Css选择器来进行内容的筛选

兄弟元素
siblings

Html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.Html">second item</a></li>
             <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
             <li class="item-0"><a href="link5.Html">fifth item</a></li>
         </ul>
     </div>
 </div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
li = doc('.list .item-0.active')
print(li.siblings())

代码中doc('.list .item-0.active') 中的.tem-0和.active是紧挨着的,所以表示是并的关系,这样满足条件的就剩下一个了:thired item的那个标签了
这样在通过.siblings就可以获取所有的兄弟标签,当然这里是不包括自己的
同样的在.siblings()里也是可以通过CSS选择器进行筛选

遍历

单个元素

Html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.Html">second item</a></li>
             <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
             <li class="item-0"><a href="link5.Html">fifth item</a></li>
         </ul>
     </div>
</div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
li = doc('.item-0.active')
print(li)
lis = doc('li').items()
print(type(lis))for li in lis:    
print(type(li))    
print(li)

运行结果如下:从结果中我们可以看出通过items()可以得到一个生成器,并且我们通过for循环得到的每个元素依然是一个pyquery对象。

获取信息

获取属性
pyquery对象.attr(属性名)
pyquery对象.attr.属性名

Html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.Html">second item</a></li>
             <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
             <li class="item-0"><a href="link5.Html">fifth item</a></li>
         </ul>
     </div>
 </div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
a = doc('.item-0.active a')
print(a)
print(a.attr('href'))
print(a.attr.href)

所以这里我们也可以知道获得属性值的时候可以直接a.attr(属性名)或者a.attr.属性名

获取文本
在很多时候我们是需要获取被Html标签包含的文本信息,通过.text()就可以获取文本信息

Html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.Html">second item</a></li>
             <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
             <li class="item-0"><a href="link5.Html">fifth item</a></li>
         </ul>
     </div>
 </div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
a = doc('.item-0.active a')
print(a)
print(a.text())

结果如下:

爬虫的解析方式四:PyQuery

获取Html


我们通过.Html()的方式可以获取当前标签所包含的Html信息,例子如下:

Html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.Html">second item</a></li>
             <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
             <li class="item-0"><a href="link5.Html">fifth item</a></li>
         </ul>
     </div>
 </div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
li = doc('.item-0.active')
print(li)
print(li.Html())

结果如下:

爬虫的解析方式四:PyQuery

DOM操作

addClass、removeClass
熟悉前端操作的话,通过这两个操作可以添加和删除属性

Html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.Html">second item</a></li>
             <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
             <li class="item-0"><a href="link5.Html">fifth item</a></li>
         </ul>
     </div>
 </div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
li = doc('.item-0.active')
print(li)
li.removeClass('active')
print(li)
li.addClass('active')
print(li)

attr,Css
同样的我们可以通过attr给标签添加和修改属性,
如果之前没有该属性则是添加,如果有则是修改
我们也可以通过Css添加一些Css属性,这个时候,标签的属性里会多一个style属性

Html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.Html">second item</a></li>
             <li class="item-0 active"><a href="link3.Html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.Html">fourth item</a></li>
             <li class="item-0"><a href="link5.Html">fifth item</a></li>
         </ul>
     </div>
 </div>
'''
from pyquery import PyQuery as pq
doc = pq(Html)
li = doc('.item-0.active')
print(li)
li.attr('name', 'link')
print(li)
li.Css('font-size', '14px')
print(li)

结果如下:

爬虫的解析方式四:PyQuery

remove
有时候我们获取文本信息的时候可能并列的会有一些其他标签干扰,这个时候通过remove就可以将无用的或者干扰的标签直接删除,从而方便操作

Html = '''<div class="wrap">
    Hello, World
    <p>This is a paragraph.</p>
 </div>'''from pyquery import PyQuery as pq
doc = pq(Html)
wrap = doc('.wrap')
print(wrap.text())
wrap.find('p').remove()
print(wrap.text())

结果如下:

爬虫的解析方式四:PyQuery 本文地址:http://itbyc.com/Python/21390.html
转载请注明出处。

分享是一种快乐,也是一种美德:
博客首页 | WEB开发 | 网站运营 | CMS使用教程 滇ICP备14002061号-1