Python爬虫从入门到精通——解析库pyquery的使用
分类目录:《Python爬虫从入门到精通》总目录
在《解析库Beautiful Soup的使用》中,我们介绍了Beautiful Soup的用法,它是一个非常强大的网页解析库,但如果你对Web有所涉及,如果你比较喜欢用CSS选择器,如果你对jQuery有所了解,那么这里有一个更适合你的解析库——pyquery。
pyquery初始化
像Beautiful Soup一样,初始化pyquery的时候,也需要传入HTML文本来初始化一个PyQuery对象。它的初始化方式有多种,比如直接传入字符串,传入URL,传入文件名等。
字符串初始化
这里首先引入PyQuery这个对象,取别名为pq
。然后声明了一个长HTML字符串,并将其当作参数传递给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,我们传入li
节点,这样就可以选择所有的li
节点。
from pyquery import PyQuery as pq
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>
'''
doc = pq(html)
print(doc('li'))
运行结果:
<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>
URL初始化
初始化的参数不仅可以以字符串的形式传递,还可以传入网页的URL,此时只需要指定参数为url
即可:
from pyquery import PyQuery as pq
doc = pq(url='https://blog.csdn.net/hy592070616')
print(doc('title'))
运行结果:
<title>【洪远的博客】Artificial Intelligence + Big Data - CSDN博客</title>
这样的话,PyQuery对象会首先请求这个URL,然后用得到的HTML内容完成初始化,这其实就相当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('https://blog.csdn.net/hy592070616').text)
print(doc('title'))
CSS选择器
首先,用一个实例来感受pyquery的CSS选择器的用法:
from pyquery import PyQuery as pq
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>
'''
doc = pq(html)
print(doc('#container .list li'))
print(type(doc('#container .list li')))
运行结果:
<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'>
这里我们初始化PyQuery对象之后,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,然后再选取其内部的class
为list
的节点内部的所有li
节点。然后,打印输出。可以看到,我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。可以看到,它的类型依然是PyQuery类型。
查找节点
下面我们介绍一些常用的查询函数,这些函数和jQuery中函数的用法完全相同。
子节点
查找子节点时,需要用到find()
方法,此时传入的参数是CSS选择器。这里还是以前面的HTML为例:
doc = pq(html)
items = doc('.list')
lis = items.find('li')
print(lis)
运行结果:
<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>
我们选取class
为list
的节点,然后调用了find()
方法,传入CSS选择器,选取其内部的li
节点,最后打印输出。可以发现,find()
方法会将符合条件的所有节点选择出来,结果的类型是PyQuery类型。
其实find()
的查找范围是节点的所有子孙节点,而如果我们只想查找子节点,那么可以用children()
方法:
lis = items.children()
如果要筛选所有子节点中符合条件的节点,比如想筛选出子节点中class
为active
的节点,可以向children()
方法传入CSS选择器.active
:
lis = items.children('.active')
父节点
我们可以用parent()
方法来获取某个节点的父节点:
items = doc('.list')
container = items.parent()
print(container)
运行结果:
<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>
这里我们首先用.list
选取class
为list
的节点,然后调用parent()
方法得到其父节点,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。如果想获取某个祖先节点,可以用parents()
方法:
parents = items.parents()
如果想要筛选某个祖先节点的话,可以向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)
运行结果:
<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>
兄弟节点
前面我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。如果要获取兄弟节点,可以使用siblings()
方法。这里还是以上面的HTML代码为例:
li = doc('.list .item-0.active')
print(li.siblings())
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,那就是第一、二、四、五个li
节点。
运行结果:
<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>
可以看到,这正是我们刚才所说的4个兄弟节点。如果要筛选某个兄弟节点,我们依然可以向siblings
方法传入CSS选择器,这样就会从所有兄弟节点中挑选出符合条件的节点了。
遍历
可以观察到,pyquery的选择结果可能是多个节点,也可能是单个节点,类型都是PyQuery
类型,并没有返回像Beautiful Soup那样的列表。对于单个节点来说,可以直接打印输出,也可以直接转成字符串:
doc = pq(html)
li = doc('.item-0.active')
print(str(li))
运行结果:
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
对于多个节点的结果,我们就需要遍历来获取了。例如,这里把每一个li
节点进行遍历,需要调用items()
方法:
doc = pq(html)
lis = doc('li').items()
print(type(lis))
for li in lis:
print(li, type(li))
运行结果:
<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'>
可以发现,调用items()
方法后,会得到一个生成器,遍历一下,就可以逐个得到li
节点对象了,它的类型也是PyQuery类型。每个li
节点还可以调用前面所说的方法进行选择,比如继续查询子节点,寻找某个祖先节点等,非常灵活。
获取信息
提取到节点之后,我们的最终目的是提取节点所包含的信息。比较重要的信息有两类,一是获取属性,二是获取文本。
获取属性
提取到某个PyQuery
类型的节点后,就可以调用attr()
方法来获取属性:
doc = pq(html)
a = doc('.item-0.active a')
print(a.attr('href'))
这里首先选中class
为item-1
和active
的li节点内的a节点,它的类型是PyQuery类型。然后调用attr()
方法。在这个方法中传入属性的名称,就可以得到这个属性值了。
link4.html
此外,也可以通过调用attr属性来获取属性:
print(a.attr.href)
这两种方法的结果完全一样。如果选中的是多个元素,然后调用attr()
方法:
a = doc('a')
print(a, type(a))
print(a.attr('href'))
print(a.attr.href)
运行结果:
<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
照理来说,我们选中的a
节点应该有4个,而且打印结果也应该是4个,但是当我们调用attr()
方法时,返回结果却只是第一个。这是因为,当返回结果包含多个节点时,调用attr()
方法,只会得到第一个节点的属性。那么,遇到这种情况时,如果想获取所有的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'))
此时的运行结果如下:
link2.html
link3.html
link4.html
link5.html
因此,在进行属性获取时,可以观察返回节点是一个还是多个,如果是多个,则需要遍历才能依次获取每个节点的属性。
获取文本
获取节点之后的另一个主要操作就是获取其内部的文本了,此时可以调用text()
方法来实现:
doc = pq(html)
a = doc('.item-0.active a')
print(a)
print(a.text())
运行结果如下:
<a href="link3.html"><span class="bold">third item</span></a>
third item
这里首先选中一个a
节点,然后调用text()
方法,就可以获取其内部的文本信息。此时它会忽略掉节点内部包含的所有HTML,只返回纯文字内容。但如果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())
这里我们选中了第三个li
节点,然后调用了html()
方法,它返回的结果应该是li
节点内的所有HTML文本。
运行结果如下:
<a href="link3.html"><span class="bold">third item</span></a>
这里同样有一个问题,如果我们选中的结果是多个节点:
doc = pq(html)
li = doc('li')
print(li.html())
print(li.text())
print(type(li.text())
运行结果如下:
<a href="link2.html">second item</a>
second item third item fourth item fifth item
<class 'str'>
这里html()
方法返回的是第一个li
节点的内部HTML文本,而text()
则返回了所有的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。
所以这个地方值得注意,如果得到的结果是多个节点,并且想要获取每个节点的内部HTML文本,则需要遍历每个节点。而text()
方法不需要遍历就可以获取,它将所有节点取文本之后合并成一个字符串。
节点操作
pyquery提供了一系列方法来对节点进行动态修改,比如为某个节点添加一个class
,移除某个节点等,这些操作有时候会为提取信息带来极大的便利。由于节点操作的方法太多,下面举几个典型的例子来说明它的用法。
addClass和removeClass
我们先用实例来感受一下:
from pyquery import PyQuery as pq
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>
'''
doc = pq(html)
li = doc('.item-0.active')
print(li)
li.removeClass('active')
print(li)
li.addClass('active')
print(li)
首先选中了第三个li
节点,然后调用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。每执行一次操作,就打印输出当前li
节点的内容。
运行结果如下:
<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>
可以看到,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。
所以说addClass()
和removeClass()
这些方法可以动态改变节点的class
属性。
attr、text和html
当然,除了操作class
这个属性外,也可以用attr()
方法对属性进行操作。此外,还可以用text()
和html(
)方法来改变节点内部的内容。示例如下:
from pyquery import PyQuery as pq
html = '''
<ul class="list">
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
</ul>
'''
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)
这里我们首先选中li
节点,然后调用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。三次操作后,分别打印输出当前的li节点。
运行结果如下:
<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>
可以发现,调用attr()
方法后,li
节点多了一个原本不存在的属性name
,其值为link
。接着调用text()
方法,传入文本之后,li
节点内部的文本全被改为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。
所以如果attr()
方法只传入第一个参数的属性名,则是获取这个属性值;如果传入第二个参数,可以用来修改属性值。text()
和html()
方法如果不传参数,则是获取节点内纯文本和HTML文本;如果传入参数,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非常大的便利。下面有一段HTML文本:
from pyquery import PyQuery as pq
html = '''
<div class="wrap">
Hello, World
<p>This is a paragraph.</p>
</div>
'''
doc = pq(html)
wrap = doc('.wrap')
print(wrap.text())
现在想提取Hello, World这个字符串,而不要p
节点内部的字符串。我们先直接先尝试提取class
为wrap
的节点的内容:
Hello, World This is a paragraph.
这个结果还包含了内部的p
节点的内容,也就是说text()
把所有的纯文本全提取出来了。如果我们想去掉p
节点内部的文本,可以选择再把p
节点内的文本提取一遍,然后从整个结果中移除这个子串,但这个做法明显比较烦琐。这时remove()
方法就可以派上用场了,我们可以接着这么做:
wrap.find('p').remove()
print(wrap.text())
首先选中p
节点,然后调用了remove()
方法将其移除,然后这时wrap内部就只剩下Hello, World
这句话了,然后再利用text()
方法提取即可。
另外,其实还有很多节点操作的方法,比如append()
、empty()
和prepend()
等方法,它们和jQuery的用法完全一致,详细的用法可以参考官方文档。
伪类选择器
CSS选择器之所以强大,还有一个很重要的原因,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。示例如下:
li = doc('li:contains(second)')
print(li)
这里我们使用了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
之后的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,可以参考CSS文档。
到此为止,pyquery的常用用法就介绍完了。如果想查看更多的内容,可以参考pyquery的官方文档。我们相信有了它,解析网页不再是难事。
上一篇: 记python2并发场景下使用strptime的问题
下一篇: 多线程下的数据安全 问题