欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识！
您现在的位置是： 首页  >  IT编程

python爬虫之pyquery学习

程序员文章站 2022-06-19 13:04:48
相关内容： pyquery的介绍 pyquery的使用 安装模块 导入模块 解析对象初始化 css选择器 在选定元素之后的元素再选取 元素的文本、属性等内容的获取 pyquery执行DOM操作、css操作 Dom操作 CSS操作 一个利用pyquery爬取豆瓣新书的例子 首发时间：2018-03-0... ......

相关内容：

  • pyquery的介绍
  • pyquery的使用
    • 安装模块
    • 导入模块
    • 解析对象初始化
    • css选择器
    • 在选定元素之后的元素再选取
    • 元素的文本、属性等内容的获取
  • pyquery执行DOM操作、css操作
    • Dom操作
    • CSS操作
  • 一个利用pyquery爬取豆瓣新书的例子

 

首发时间：2018-03-09 21:26

 

pyquery的介绍

  • pyquery允许对xml、html文档进行jQuery查询。
  • pyquery使用lxml进行快速xml和html操作。
  • pyquery是python中的jquery

 

PyQuery的使用：

1.安装模块：

pip3 install pyquery

2.导入模块: 

from pyquery import PyQuery as pq

3.解析对象初始化：

【使用PyQuery初始化解析对象,PyQuery是一个类，直接将要解析的对象作为参数传入即可】

  • 解析对象为字符串时字符串初始化 ：默认情况下是字符串，如果字符串是一个带http\https前缀的，将会认为是一个url 
    textParse = pq(html)
  • 解析对象为网页时url初始化: 建议使用关键字参数url= 
    # urlParse = pq('http://www.baidu.com') #1
urlParse = pq(url='http://www.baidu.com') #2
  • 解析对象为文件时文件初始化：建议使用关键字参数filename= 
    fileParse = pq(filename="L:\demo.html")
  • 解析完毕后，就可以使用相关函数或变量来进行筛选，可以使用css等来筛选，

 

4.CSS选择器：

  • 利用标签获取： 
    result = textParse('h2').text()
  • 利用类选择器： 
    result3=textParse(".p1").text()
  • 利用id选择： 
    result4=textParse("#user").attr("type")
  • 分组选择： 
    result5=textParse("p,div").text()
  • 后代选择器： 
    result6=textParse("div a").attr.href
  • 属性选择器： 
    result7=textParse("[class='p1']").text()
  • CSS3伪类选择器： 
    result8=textParse("p:last").text()

（更多的，可以参考css）

 

5.在选定元素之后的元素再选取:

  • find():找出指定子元素 ,find可以有参数，该参数可以是任何 jQuery 选择器的语法，
  • filter():对结果进行过滤，找出指定元素 ,filter可以有参数，该参数可以是任何 jQuery 选择器的语法，
  • children():获取所有子元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
  • parent():获取父元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
  • parents():获取祖先元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
  • siblings():获取兄弟元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
from pyquery import PyQuery as pq

html="""
<html>
<head>
</head>
<body>
<h2>This is a heading</h2>
<p class="p1">This is a paragraph.</p>
<p class="p2">This is another paragraph.</p>
<div> 
123
<a id="a1" href="http://www.baidu.com">hello</a>
</div>
<input type="Button" >
<input id="user" type="text" >
</body>
"""

###初始化
textParse = pq(html)
# urlParse = pq('http://www.baidu.com') #1
# urlParse = pq(url='http://www.baidu.com') #2
# fileParse = pq(filename="L:\demo.html")

##获取
result = textParse('h2').text()
print(result)
result2= textParse('div').html()
print(result2)
result3=textParse(".p1").text()
print(result3)
result4=textParse("#user").attr("type")
print(result4)
result5=textParse("p,div").text()
print(result5)
result6=textParse("div a").attr.href
print(result6)
result7=textParse("[class='p1']").text()
print(result7)
result8=textParse("p:last").text()
print(result8)
result9=textParse("div").find("a").text()
print(result9)
result12=textParse("p").filter(".p1").text()
print(result12)
result10=textParse("div").children()
print(result10)
result11=textParse("a").parent()
print(result11)

 

 

6.元素的文本、属性等内容的获取：

attr(attribute):获取属性 

result2=textParse("a").attr("href")

attr.xxxx:获取属性xxxx 

result21=textParse("a").attr.href
result22=textParse("a").attr.class_

text():获取文本，子元素中也仅仅返回文本 

result1=textParse("a").text()

html():获取html,功能与text类似,但返回html标签python爬虫之pyquery学习 

result3=textParse("div").html()

 

 

补充1：

元素的迭代：如果返回的结果是多个元素，如果想迭代出每个元素，可以使用items():

python爬虫之pyquery学习

补充2：pyquery是jquery的python化，语法基本都是相通的，想了解更多，可以参考jquery。

pyquery执行DOM操作、css操作：

 

DOM操作：

add_class():增加class

remove_class():移除class

remove():删除指定元素

from pyquery import PyQuery as pq

html="""
<html>
<head>
</head>
<body>
<h2>This is a heading</h2>
<p id="p1" class="p1">This is a paragraph.</p>
<p class="p2">This is another paragraph.</p>
<div style="color:blue"> 
123
<a class="ca" href="http://www.baidu.com">hello</a>
</div>
<input type="Button" >
<input id="user" type="text" >
</body>
"""

textParse=pq(html)
textParse('a').add_class("c1")
print(textParse('a').attr("class"))

textParse('a').remove_class("c1")
print(textParse('a').attr("class"))

print(textParse('div').html())
textParse('div').remove("a")
print(textParse('div').html())

 

css操作：

  • attr()：设置属性
    • 设置格式：attr("属性名","属性值")
  • css()：设置css
    • 设置格式1:css("css样式","样式值")
    • 格式2：css({"样式1":"样式值","样式2":"样式值"})

 

from pyquery import PyQuery as pq

html="""
<html>
<head>
</head>
<body>
<h2>This is a heading</h2>
<p id="p1" class="p1">This is a paragraph.</p>
<p class="p2">This is another paragraph.</p>
<div style="color:blue"> 
123
<a class="ca" href="http://www.baidu.com">hello</a>
</div>
<input type="Button" >
<input id="user" type="text" >
</body>
"""

textParse=pq(html)
textParse('a').attr("name","hehe")
print(textParse('a').attr("name"))

textParse('a').css("color","white")
textParse('a').css({"background-color":"black","postion":"fixed"})
print(textParse('a').attr("style"))

 

这些操作什么时候会被用到：

【有时候可能会将数据样式处理一下再存储下来，就需要用到,比如我获取下来的数据样式我不满意，可以自定义成我自己的格式】

【有时候需要逐层清理再筛选出指定结果，比如<div>123<a></a></div>中，如果仅仅想要获取123就可以先删除<a>再获取】

一个利用pyquery爬取豆瓣新书的例子:

 

先使用审查元素,定位目标元素python爬虫之pyquery学习

确认爬取信息python爬虫之pyquery学习

要注意的是，豆瓣新书是有一些分在后面页的，实际上目标应该是li的上一级ul：python爬虫之pyquery学习

使用PyQuery筛选出结果：

from pyquery import PyQuery as pq

urlParse=pq(url="https://book.douban.com/")

info=urlParse("div.carousel ul li div.info")

file=open("demo.txt","w",encoding="utf8")
for i in info.items():
    title=i.find("div.title")
    author=i.find("span.author")
    abstract=i.find(".abstract")
    file.write("标题:"+title.text()+"\n")
    file.write("作者:"+author.text()+"\n")
    file.write("概要:"+abstract.text()+"\n")
    file.write("-----------------\n")
    print("\n")
file.close()

 

 

 

上一篇： 液晶电视销量不断下降！激光电视销量却节节攀升

下一篇： win10系统如何关闭触摸屏?

推荐阅读