三、pyquery

简介:同样是一个强大的网页解析工具 它提供了和jQuery类似的语法来解析HTML文档,支持CSS选择器,使用非常方便

安装:

pip install pyquery

验证:

import pyquery

初始化时 也需要传入HTML文本 初始化一个PyQuery对象 初始化方式有多种 例如直接传入字符串,传入URL,传入文件名等等。

1. 字符串初始化

示例:

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 #引入PyQuery对象 取别名pq
doc = pq(html)#将html当作参数 传递给PyQuery类
print(doc('li'))#传入li节点 选择所有li节点

2. URL初始化

doc = pq(url='https://www.huawei.com/cn/?',encoding='utf-8')
print(doc('title'))

pyquery对象首先请求url 得到HTML内容完成初始化 相当于用网页源代码 字符串的形式传递给pyquery类来初始化

与下面的功能是一样的

from pyquery import PyQuery as pq
import requests
doc = pq(requests.get('https://www.huawei.com').text)
print(doc('title'))

3.文件初始化

doc = pq(filename='01.txt')
print(doc('li'))

最常见的还是字符串形式

4.基本CSS选择器

实例:

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'))#先选取 id 为container的节点 class为list的节点 所有li节点
print(type(doc('#container .list li')))#pyquery类型

5.查找节点

# 常用的查询函数 与jQuery中函数用法完全相同

5.1 find() 方法 查找所有子孙节点

doc = pq(html)
items = doc('.list')
print(type(items))#pyquery类型
print(items)#ul节点内容
lis = items.find('li')#调用find()方法 参数必选
print(type(lis))#类型为pyquery
print(lis)#所有的li节点内容

5.2 children() 查找子节点

lis = items.children()#参数可选 例如 .active li等 进行元素过滤
print(type(lis))#类型为pyquery
print(lis)#子节点li

5.3 parent() 获取某个节点的父节点

示例:

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>
''' from pyquery import PyQuery as pq
doc = pq(html)
items = doc('.list')
container = items.parent()
print(type(container))
print(container)#返回id 为container的节点内容

5.4 parents() 获取某个节点的所有祖先节点

items = doc('.list')
parents = items.parents()
print(parents)#没有给参数 所以会遍历上一层级 传递css参数 可筛选

5.5 siblings() 获取所有兄弟节点

li = doc('.list .item-0.active')
print(li.siblings())#返回四个兄弟节点
#筛选的话 在方法中加入参数
print(li.siblings('.active'))#返回一个兄弟节点

6. 遍历

pyquery 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 没有返回向BS那样的列表

对于单个节点 可以直接打印输出 也可以转化成字符串

li = doc('.item-0.active')
print(li)
print(str(li))

多个节点 遍历 需要调用 items()方法

lis = doc('li').items()
print(type(lis))#结果是生成器
for li in lis:
print(li,type(li))

7. 获取信息

attr() 获取属性值

a = doc('.item-0.active a')
print(a,type(a))
print(a.attr('href'))#属性值为link3.html

简写 print(a.attr.href)

调用多个节点

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

#返回结果只有第一个

获取所有的a节点属性 遍历

a = doc('a')
for item in a.items():
print(item.attr.href)

text() 获取文本

a = doc('.item-0.active a')
print(a)
print(a.text())#首先选中a节点 text()方法 获取其内部文本信息 忽略掉节点内部包含的HTML 只返回纯文本内容

获取节点内部的HTML文本 html()方法

li = doc('.item-0.active')
print(li)#查找到第三个li节点
print(li.html())#a节点内容

选择到的是多个节点

li = doc('li')
print(li.html())#返回第一个节点的内部HTML文本
print(li.text())#返回所有的li节点内部纯文本
print(type(li.text()))#str 类型

8. 节点操作

pyquery提供了一系列方法对节点进行动态修改 例如给某个节点添加一个class 移除某个节点等

列举几个典型方法

8.1 addClass() 和 removeClass()

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')#移除active属性
print(li)
li.addClass('active')#添加active属性
print(li)

8.2 attr()、text()、html()

li = doc('.item-0.active')
print(li)
li.attr('name','link')#修改属性 第一个参数为属性名
print(li)
li.text('changed item')#传入文本
print(li)
li.html('<span>changed item</span>')#传入html文本
print(li)

attr() 传入一个参数的属性名 获取这个属性值 传入两个参数 修改属性值
text() 获取节点内纯文本 传入参数进行赋值
html() 获取节点内部的HTML文本 传入参数进行赋值

8.3 remove() 移除

示例: 提取 Hello,World 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()) wrap.find('p').remove()
print(wrap.text())

更多节点操作方法 http://pyquery.readthedocs.io/en/latest/api.html

9.伪类选择器

示例:

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('li:first-child')#第一个li节点
print(li) li = doc('li:last-child')#最后一个li节点
print(li) li = doc('li:nth-child(2)')#第二个li节点
print(li) li = doc('li:gt(2)')#第三个li之后的li节点
print(li) li = doc('li:nth-child(2n)')#偶数位置的li节点
print(li) li = doc('li:contains(second)')#包含second文本的li节点
print(li)

更多常用用法 参考官方文档 http://pyquery.readthedocs.io

Python3编写网络爬虫07-基本解析库pyquery的使用的更多相关文章

  1. Python3编写网络爬虫06-基本解析库Beautiful Soup的使用

    二.Beautiful Soup 简介 就是python的一个HTML或XML的解析库 可以用它来很方便的从网页中提取数据 0.1 提供一些简单的 python式的函数来处理导航,搜索,修改分析树等功 ...

  2. Python3编写网络爬虫05-基本解析库XPath的使用

    一.XPath 全称 XML Path Language 是一门在XML文档中 查找信息的语言 最初是用来搜寻XML文档的 但是它同样适用于HTML文档的搜索 XPath 的选择功能十分强大,它提供了 ...

  3. Python3编写网络爬虫02-基本请求库requests的使用

    一.requests 库使用 需要安装 pip install requests import requests #导入requests库 request = requests.get("h ...

  4. Python3编写网络爬虫01-基本请求库urllib的使用

    安装python后 自带urllib库 模块篇 分为几个模块如下: 1. urllib.request 请求模块 2. urllib.parse 分析模块 3. urllib.error 异常处理模块 ...

  5. python3编写网络爬虫20-pyspider框架的使用

    二.pyspider框架的使用 简介 pyspider是由国人binux 编写的强大的网络爬虫系统 github地址 : https://github.com/binux/pyspider 官方文档 ...

  6. python3编写网络爬虫21-scrapy框架的使用

    一.scrapy框架的使用 前面我们讲了pyspider 它可以快速的完成爬虫的编写 不过pyspider也有一些缺点 例如可配置化不高 异常处理能力有限对于一些反爬虫程度非常强的网站 爬取显得力不从 ...

  7. Python3编写网络爬虫08-数据存储方式一-文件存储

    数据存储 用解析器解析出数据之后,就是存储数据了.保存的形式可以多种多样,最简单的形式是直接保存为文本文件,如TXT JSON CSV等.另外还可以保存到数据库中,如关系型数据库MySQL 非关系型数 ...

  8. Python3编写网络爬虫04-爬取猫眼电影排行实例

    利用requests库和正则表达式 抓取猫眼电影TOP100 (requests比urllib使用更方便,由于没有学习HTML系统解析库 选用re) 1.目标 抓取电影名称 时间 评分 图片等 url ...

  9. python3编写网络爬虫18-代理池的维护

    一.代理池的维护 上面我们利用代理可以解决目标网站封IP的问题 在网上有大量公开的免费代理 或者我们也可以购买付费的代理IP但是无论是免费的还是付费的,都不能保证都是可用的 因为可能此IP被其他人使用 ...

随机推荐

  1. 分布式锁之redisson

    redisson是redis官网推荐的java语言实现分布式锁的项目.当然,redisson远不止分布式锁,还包括其他一些分布式结构.详情请移步:https://github.com/mrniko/r ...

  2. 如何设计和实现高可用的MySQL

    欢迎大家前往腾讯云+社区,获取更多腾讯海量技术实践干货哦~ 本文由腾讯云数据库 TencentDB发表于云+社区专栏 王甲坤,腾讯高级工程师.腾讯云关系型数据库MySQL负责人,拥有多年客户端.数据库 ...

  3. 给linux系统配置网络

    修改/etc/sysconfig/network-scripts/ifcfg-eth0 ip地址变量:IPADDR子网掩码变量:NETMASK如果本机和linux 网段不相同 如:192.168.8. ...

  4. spring-boot-2.0.3启动源码篇五 - run方法(四)之prepareContext

    前言 此系列是针对springboot的启动,旨在于和大家一起来看看springboot启动的过程中到底做了一些什么事.如果大家对springboot的源码有所研究,可以挑些自己感兴趣或者对自己有帮助 ...

  5. Java设计模式学习记录-GoF设计模式概述

    前言 最近要开始学习设计模式了,以前是偶尔会看看设计模式的书或是在网上翻到了某种设计模式,就顺便看看,也没有仔细的学习过.前段时间看完了JVM的知识,然后就想着JVM那么费劲的东西都看完了,说明自己学 ...

  6. 【F12】chrome浏览器中 F12 功能的简单介绍

    chrome浏览器中 F12 功能的简单介绍 由于F12是前端开发人员的利器,所以我自己也在不断摸索中,查看一些博客和资料后,自己总结了一下来帮助自己理解和记忆,也希望能帮到有需要的小伙伴,嘿嘿! 首 ...

  7. T-SQL:谓词和运算符(六)

    谓词一般有 where和having,check  谓词只计算 TRUE ,FALSE或者UNKNOWN  逻辑表达式  如 AND 和OR 1.IN 谓词的用法 SELECT orderid, em ...

  8. C# 数据库并发的解决方案(通用版、EF版)

    自ASP.NET诞生以来,微软提供了不少控制并发的方法,在了解这些控制并发的方法前,我们先来简单介绍下并发! 并发:同一时间或者同一时刻多个访问者同时访问某一更新操作时,会产生并发! 针对并发的处理, ...

  9. 二进制值和十六进制字符串相互转换的C++代码

    #include <iostream> #include <string> #include <stdint.h> using namespace std; str ...

  10. JavaScript一团乱,这是好事

    译者按: JavaScript从简单变复杂了,作者从另一个角度看待这个问题. 原文: JavaScript’s a mess – and that’s a good thing 译者: Fundebu ...