【Python3网络爬虫开发实战】4-解析库的使用-3 使用pyquery

在上一节中，咱们介绍了Beautiful Soup的用法，它是一个很是强大的网页解析库，你是否以为它的一些方法用起来有点不适应？有没有以为它的CSS选择器的功能没有那么强大？

若是你对Web有所涉及，若是你比较喜欢用CSS选择器，若是你对jQuery有所了解，那么这里有一个更适合你的解析库——pyquery。

接下来，咱们就来感觉一下pyquery的强大之处。

1. 准备工做

在开始以前，请确保已经正确安装好了pyquery。若没有安装，能够参考第1章的安装过程。

2. 初始化

像Beautiful Soup同样，初始化pyquery的时候，也须要传入HTML文原本初始化一个PyQuery对象。它的初始化方式有多种，好比直接传入字符串，传入URL，传入文件名，等等。下面咱们来详细介绍一下。

字符串初始化

首先，咱们用一个实例来感觉一下：

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('li'))
复制代码

运行结果以下：

<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>
复制代码

这里首先引入PyQuery这个对象，取别名为pq。而后声明了一个长HTML字符串，并将其看成参数传递给PyQuery类，这样就成功完成了初始化。接下来，将初始化的对象传入CSS选择器。在这个实例中，咱们传入li节点，这样就能够选择全部的li节点。

URL初始化

初始化的参数不只能够以字符串的形式传递，还能够传入网页的URL，此时只须要指定参数为url便可：

from pyquery import PyQuery as pq
doc = pq(url='http://cuiqingcai.com')
print(doc('title'))
复制代码

运行结果以下：

<title>静觅丨崔庆才的我的博客</title>
复制代码

这样的话，PyQuery对象会首先请求这个URL，而后用获得的HTML内容完成初始化，这其实就至关于用网页的源代码以字符串的形式传递给PyQuery类来初始化。

它与下面的功能是相同的：

from pyquery import PyQuery as pq
import requests
doc = pq(requests.get('http://cuiqingcai.com').text)
print(doc('title'))
复制代码

文件初始化

固然，除了传递URL，还能够传递本地的文件名，此时将参数指定为filename便可：

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
print(doc('li'))
复制代码

固然，这里须要有一个本地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，而后用文件内容以字符串的形式传递给PyQuery类来初始化。

以上3种初始化方式都可，固然最经常使用的初始化方式仍是以字符串形式传递。

3. 基本CSS选择器

首先，用一个实例来感觉pyquery的CSS选择器的用法：

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'))
print(type(doc('#container .list li')))
复制代码

运行结果以下：

<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>
<class 'pyquery.pyquery.PyQuery'>
复制代码

这里咱们初始化PyQuery对象以后，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，而后再选取其内部的class为list的节点内部的全部li节点。而后，打印输出。能够看到，咱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。能够看到，它的类型依然是PyQuery类型。

4. 查找节点

下面咱们介绍一些经常使用的查询函数，这些函数和jQuery中函数的用法彻底相同。

子节点

查找子节点时，须要用到find()方法，此时传入的参数是CSS选择器。这里仍是之前面的HTML为例：

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)
复制代码

运行结果以下：

<class 'pyquery.pyquery.PyQuery'>
<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>
<class 'pyquery.pyquery.PyQuery'>
<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>
复制代码

首先，咱们选取class为list的节点，而后调用了find()方法，传入CSS选择器，选取其内部的li节点，最后打印输出。能够发现，find()方法会将符合条件的全部节点选择出来，结果的类型是PyQuery类型。

其实find()的查找范围是节点的全部子孙节点，而若是咱们只想查找子节点，那么能够用children()方法：

lis = items.children()
print(type(lis))
print(lis)
复制代码

运行结果以下：

<class 'pyquery.pyquery.PyQuery'>
<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>
复制代码

若是要筛选全部子节点中符合条件的节点，好比想筛选出子节点中class为active的节点，能够向children()方法传入CSS选择器.active：

lis = items.children('.active')
print(lis)
复制代码

运行结果以下：

<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>
复制代码

能够看到，输出结果已经作了筛选，留下了class为active的节点。

父节点

咱们能够用parent()方法来获取某个节点的父节点，示例以下：

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')
container = items.parent()
print(type(container))
print(container)
复制代码

运行结果以下：

<class 'pyquery.pyquery.PyQuery'>
<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>
复制代码

这里咱们首先用.list选取class为list的节点，而后调用parent()方法获得其父节点，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。

可是若是想获取某个祖先节点，该怎么办呢？这时能够用parents()方法：

from pyquery import PyQuery as pq
doc = pq(html)
items = doc('.list')
parents = items.parents()
print(type(parents))
print(parents)
复制代码

运行结果以下：

<class 'pyquery.pyquery.PyQuery'>
<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>
 <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>
复制代码

能够看到，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()方法会返回全部的祖先节点。

若是想要筛选某个祖先节点的话，能够向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)
复制代码

运行结果以下：

<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>
复制代码

能够看到，输出结果少了一个节点，只保留了class为wrap的节点。

兄弟节点

前面咱们说明了子节点和父节点的用法，还有一种节点，那就是兄弟节点。若是要获取兄弟节点，可使用siblings()方法。这里仍是以上面的HTML代码为例：

from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.list .item-0.active')
print(li.siblings())
复制代码

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1、2、4、五个li节点。

运行结果以下：

<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-0">first item</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>
复制代码

能够看到，这正是咱们刚才所说的4个兄弟节点。

若是要筛选某个兄弟节点，咱们依然能够向siblings方法传入CSS选择器，这样就会从全部兄弟节点中挑选出符合条件的节点了：

from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.list .item-0.active')
print(li.siblings('.active'))
复制代码

这里咱们筛选了class为active的节点，经过刚才的结果能够观察到，class为active的兄弟节点只有第四个li节点，因此结果应该是一个。

咱们再看一下运行结果：

<li class="item-1 active"><a href="link4.html">fourth item</a></li>
复制代码

5. 遍历

刚才能够观察到，pyquery的选择结果多是多个节点，也多是单个节点，类型都是PyQuery类型，并无返回像Beautiful Soup那样的列表。

对于单个节点来讲，能够直接打印输出，也能够直接转成字符串：

from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.item-0.active')
print(li)
print(str(li))
复制代码

运行结果以下：

<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
复制代码

对于多个节点的结果，咱们就须要遍从来获取了。例如，这里把每个li节点进行遍历，须要调用items()方法：

from pyquery import PyQuery as pq
doc = pq(html)
lis = doc('li').items()
print(type(lis))
for li in lis:
    print(li, type(li))
复制代码

运行结果以下：

<class 'generator'>
<li class="item-0">first item</li>
<class 'pyquery.pyquery.PyQuery'>
<li class="item-1"><a href="link2.html">second item</a></li>
<class 'pyquery.pyquery.PyQuery'>
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
<class 'pyquery.pyquery.PyQuery'>
<li class="item-1 active"><a href="link4.html">fourth item</a></li>
<class 'pyquery.pyquery.PyQuery'>
<li class="item-0"><a href="link5.html">fifth item</a></li>
<class 'pyquery.pyquery.PyQuery'>
复制代码

能够发现，调用items()方法后，会获得一个生成器，遍历一下，就能够逐个获得li节点对象了，它的类型也是PyQuery类型。每一个li节点还能够调用前面所说的方法进行选择，好比继续查询子节点，寻找某个祖先节点等，很是灵活。

6. 获取信息

提取到节点以后，咱们的最终目的固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。

获取属性

提取到某个PyQuery类型的节点后，就能够调用attr()方法来获取属性：

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)
a = doc('.item-0.active a')
print(a, type(a))
print(a.attr('href'))
复制代码

运行结果以下：

<a href="link3.html"><span class="bold">third item</span></a> <class 'pyquery.pyquery.PyQuery'>
link3.html
复制代码

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。

而后调用attr()方法。在这个方法中传入属性的名称，就能够获得这个属性值了。

此外，也能够经过调用attr属性来获取属性，用法以下：

print(a.attr.href)
复制代码

结果以下：

link3.html
复制代码

这两种方法的结果彻底同样。

若是选中的是多个元素，而后调用attr()方法，会出现怎样的结果呢？咱们用实例来测试一下：

a = doc('a')
print(a, type(a))
print(a.attr('href'))
print(a.attr.href)
复制代码

运行结果以下：

<a href="link2.html">second item</a><a href="link3.html"><span class="bold">third item</span></a><a href="link4.html">fourth item</a><a href="link5.html">fifth item</a> <class 'pyquery.pyquery.PyQuery'>
link2.html
link2.html
复制代码

照理来讲，咱们选中的a节点应该有4个，并且打印结果也应该是4个，可是当咱们调用attr()方法时，返回结果却只是第一个。这是由于，当返回结果包含多个节点时，调用attr()方法，只会获得第一个节点的属性。

那么，遇到这种状况时，若是想获取全部的a节点的属性，就要用到前面所说的遍历了：

from pyquery import PyQuery as pq
doc = pq(html)
a = doc('a')
for item in a.items():
    print(item.attr('href'))
复制代码

此时的运行结果以下：

link2.html
link3.html
link4.html
link5.html
复制代码

所以，在进行属性获取时，能够观察返回节点是一个仍是多个，若是是多个，则须要遍历才能依次获取每一个节点的属性。

获取文本

获取节点以后的另外一个主要操做就是获取其内部的文本了，此时能够调用text()方法来实现：

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())
复制代码

运行结果以下：

<a href="link3.html"><span class="bold">third item</span></a>
third item
复制代码

这里首先选中一个a节点，而后调用text()方法，就能够获取其内部的文本信息。此时它会忽略掉节点内部包含的全部HTML，只返回纯文字内容。

但若是想要获取这个节点内部的HTML文本，就要用html()方法了：

from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.item-0.active')
print(li)
print(li.html())
复制代码

这里咱们选中了第三个li节点，而后调用了html()方法，它返回的结果应该是li节点内的全部HTML文本。

运行结果以下：

<a href="link3.html"><span class="bold">third item</span></a>
复制代码

这里一样有一个问题，若是咱们选中的结果是多个节点，text()或html()会返回什么内容？咱们用实例来看一下：

html = ''' <div class="wrap"> <div id="container"> <ul class="list"> <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('li')
print(li.html())
print(li.text())
print(type(li.text())
复制代码

运行结果以下：

<a href="link2.html">second item</a>
second item third item fourth item fifth item
<class 'str'>
复制代码

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()则返回了全部的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。

因此这个地方值得注意，若是获得的结果是多个节点，而且想要获取每一个节点的内部HTML文本，则须要遍历每一个节点。而text()方法不须要遍历就能够获取，它将全部节点取文本以后合并成一个字符串。

7. 节点操做

pyquery提供了一系列方法来对节点进行动态修改，好比为某个节点添加一个class，移除某个节点等，这些操做有时候会为提取信息带来极大的便利。

因为节点操做的方法太多，下面举几个典型的例子来讲明它的用法。

addClass和removeClass

咱们先用实例来感觉一下：

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)
li.removeClass('active')
print(li)
li.addClass('active')
print(li)
复制代码

首先选中了第三个li节点，而后调用removeClass()方法，将li节点的active这个class移除，后来又调用addClass()方法，将class添加回来。每执行一次操做，就打印输出当前li节点的内容。

运行结果以下：

<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-0"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
复制代码

能够看到，一共输出了3次。第二次输出时，li节点的active这个class被移除了，第三次class又添加回来了。

因此说，addClass()和removeClass()这些方法能够动态改变节点的class属性。

attr、text和html

固然，除了操做class这个属性外，也能够用attr()方法对属性进行操做。此外，还能够用text()和html()方法来改变节点内部的内容。示例以下：

html = ''' <ul class="list"> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> </ul> '''
from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.item-0.active')
print(li)
li.attr('name', 'link')
print(li)
li.text('changed item')
print(li)
li.html('<span>changed item</span>')
print(li)
复制代码

这里咱们首先选中li节点，而后调用attr()方法来修改属性，其中该方法的第一个参数为属性名，第二个参数为属性值。接着，调用text()和html()方法来改变节点内部的内容。三次操做后，分别打印输出当前的li节点。

运行结果以下：

<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>
复制代码

能够发现，调用attr()方法后，li节点多了一个本来不存在的属性name，其值为link。接着调用text()方法，传入文本以后，li节点内部的文本全被改成传入的字符串文本了。最后，调用html()方法传入HTML文本后，li节点内部又变为传入的HTML文本了。

因此说，若是attr()方法只传入第一个参数的属性名，则是获取这个属性值；若是传入第二个参数，能够用来修改属性值。text()和html()方法若是不传参数，则是获取节点内纯文本和HTML文本；若是传入参数，则进行赋值。

remove()

顾名思义，remove()方法就是移除，它有时会为信息的提取带来很是大的便利。下面有一段HTML文本：

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())
复制代码

如今想提取Hello, World这个字符串，而不要p节点内部的字符串，须要怎样操做呢？

这里直接先尝试提取class为wrap的节点的内容，看看是否是咱们想要的。运行结果以下：

Hello, World This is a paragraph.
复制代码

这个结果还包含了内部的p节点的内容，也就是说text()把全部的纯文本全提取出来了。若是咱们想去掉p节点内部的文本，能够选择再把p节点内的文本提取一遍，而后从整个结果中移除这个子串，但这个作法明显比较烦琐。

这时remove()方法就能够派上用场了，咱们能够接着这么作:

wrap.find('p').remove()
print(wrap.text())
复制代码

首先选中p节点，而后调用了remove()方法将其移除，而后这时wrap内部就只剩下Hello, World这句话了，而后再利用text()方法提取便可。

另外，其实还有不少节点操做的方法，好比append()、empty()和prepend()等方法，它们和jQuery的用法彻底一致，详细的用法能够参考官方文档：pyquery.readthedocs.io/en/latest/a…。

8. 伪类选择器

CSS选择器之因此强大，还有一个很重要的缘由，那就是它支持多种多样的伪类选择器，例如选择第一个节点、最后一个节点、奇偶数节点、包含某一文本的节点等。示例以下：

li = doc('li:contains(second)')
print(li)
复制代码

这里咱们使用了CSS3的伪类选择器，依次选择了第一个li节点、最后一个li节点、第二个li节点、第三个li以后的li节点、偶数位置的li节点、包含second文本的li节点。

关于CSS选择器的更多用法，能够参考www.w3school.com.cn/css/index.a…。

到此为止，pyquery的经常使用用法就介绍完了。若是想查看更多的内容，能够参考pyquery的官方文档：pyquery.readthedocs.io。咱们相信有了它，解析网页再也不是难事。

本资源首发于崔庆才的我的博客静觅： Python3网络爬虫开发实战教程 | 静觅

如想了解更多爬虫资讯，请关注个人我的微信公众号：进击的Coder

weixin.qq.com/r/5zsjOyvEZ… (二维码自动识别)