python爬蟲學習筆記之pyquery模組基本用法詳解

阿新 • • 發佈：2020-04-10

本文例項講述了python爬蟲學習筆記之pyquery模組基本用法。分享給大家供大家參考，具體如下：

pyquery的介紹

pyquery允許對xml、html文件進行jQuery查詢。

pyquery使用lxml進行快速xml和html操作。
pyquery是python中的jquery

PyQuery的使用：

1.安裝模組：

pip3 install pyquery

2.匯入模組:

from pyquery import PyQuery as pq

3.解析物件初始化：

【使用PyQuery初始化解析物件,PyQuery是一個類，直接將要解析的物件作為引數傳入即可】

解析物件為字串時字串初始化：預設情況下是字串，如果字串是一個帶http\https字首的，將會認為是一個url
```
textParse = pq(html)
```

解析物件為網頁時url初始化: 建議使用關鍵字引數url=

# urlParse = pq('http://www.baidu.com') #1
urlParse = pq(url='http://www.baidu.com') #2

解析物件為檔案時檔案初始化：建議使用關鍵字引數filename=
```
fileParse = pq(filename="L:\demo.html")
```
解析完畢後，就可以使用相關函式或變數來進行篩選，可以使用css等來篩選，

4.CSS選擇器：

利用標籤獲取：
```
result = textParse('h2').text()
```
利用類選擇器：
```
result3=textParse(".p1").text()
```
利用id選擇：
```
result4=textParse("#user").attr("type")
```
分組選擇：
```
result5=textParse("p,div").text()
```
後代選擇器：
```
result6=textParse("div a").attr.href
```

屬性選擇器：

result7=textParse("[class='p1']").text()

CSS3偽類選擇器：
```
result8=textParse("p:last").text()
```

（更多的，可以參考css）

5.在選定元素之後的元素再選取:

find():找出指定子元素,find可以有引數，該引數可以是任何 jQuery 選擇器的語法，
filter():對結果進行過濾，找出指定元素,filter可以有引數，該引數可以是任何 jQuery 選擇器的語法，
children():獲取所有子元素，可以有引數，該引數可以是任何 jQuery 選擇器的語法，
parent():獲取父元素，可以有引數，該引數可以是任何 jQuery 選擇器的語法，
parents():獲取祖先元素，可以有引數，該引數可以是任何 jQuery 選擇器的語法，
siblings():獲取兄弟元素，可以有引數，該引數可以是任何 jQuery 選擇器的語法，

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" rel="external nofollow" rel="external nofollow" rel="external nofollow" >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")

##獲取
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.元素的文字、屬性等內容的獲取：

attr(attribute):獲取屬性

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

attr.xxxx:獲取屬性xxxx

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

text():獲取文字，子元素中也僅僅返回文字

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

html():獲取html,功能與text類似,但返回html標籤

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

補充1：

元素的迭代：如果返回的結果是多個元素，如果想迭代出每個元素，可以使用items():

補充2：pyquery是jquery的python化，語法基本都是相通的，想了解更多，可以參考jquery。

pyquery執行DOM操作、css操作：

DOM操作：

add_class():增加class

remove_class():移除class

remove():刪除指定元素

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" rel="external nofollow" rel="external nofollow" rel="external nofollow" >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()：設定屬性
- 設定格式：attr("屬性名","屬性值")
css()：設定css
- 設定格式1:css("css樣式","樣式值")
- 格式2：css({"樣式1":"樣式值","樣式2":"樣式值"})

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" rel="external nofollow" rel="external nofollow" rel="external nofollow" >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"))

這些操作什麼時候會被用到：

【有時候可能會將資料樣式處理一下再儲存下來，就需要用到,比如我獲取下來的資料樣式我不滿意，可以自定義成我自己的格式】

【有時候需要逐層清理再篩選出指定結果，比如<div>123<a></a></div>中，如果僅僅想要獲取123就可以先刪除<a>再獲取】

一個利用pyquery爬取豆瓣新書的例子:

先使用審查元素,定位目標元素

確認爬取資訊

要注意的是，豆瓣新書是有一些分在後面頁的，實際上目標應該是li的上一級ul：

使用PyQuery篩選出結果：

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("標題:"+title.text()+"\n")
  file.write("作者:"+author.text()+"\n")
  file.write("概要:"+abstract.text()+"\n")
  file.write("-----------------\n")
  print("\n")
file.close()

更多關於Python相關內容可檢視本站專題：《Python Socket程式設計技巧總結》、《Python正則表示式用法總結》、《Python資料結構與演算法教程》、《Python函式使用技巧總結》、《Python字串操作技巧彙總》、《Python入門與進階經典教程》及《Python檔案與目錄操作技巧彙總》

希望本文所述對大家Python程式設計有所幫助。