前言
pyquery库是jQuery的Python实现,能够以jQuery的语法来操作解析 HTML 文档,易用性和解析速度都很好,和它差不多的还有BeautifulSoup,都是用来解析的。相比BeautifulSoup完美翔实的文档,虽然PyQuery库的文档弱爆了, 但是使用起来还是可以的,有些地方用起来很方便简洁。
安装
关于PyQuery的安装可以参考这篇文章://www.haodaima.com/article/82955.htm
PyQuery库官方文档
- 初始化为PyQuery对象
- 常用的CCS选择器
- 伪类选择器
- 查找标签
- 获取标签信息
初始化为PyQuery对象
html = """ <html lang="en"> <head> 简单好用的 <title>PyQuery</title> </head> <body> <ul id="container"> <li class="object-1">Python</li> <li class="object-2">大法</li> <li class="object-3">好</li> </ul> </body> </html> """
相当于BeautifulSoup库的初识化方法,将html转化为BeautifulSoup对象。
bsObj = BeautifulSoup(html, 'html.parser')
PyQuery库也要有自己的初始化。
1.1 将字符串初始化
from pyquery import PyQuery as pq #初始化为PyQuery对象 doc = pq(html) print(type(doc)) print(doc)
返回
<class 'pyquery.pyquery.PyQuery'> <html lang="en"> <head> <title>PyQuery学习</title> </head> <body> <ul id="container"> <li class="object-1"/> <li class="object-2"/> <li class="object-3"/> </ul> </body> </html>
1.2 将html文件初始化
#filename参数为html文件路径 test_html = pq(filename = 'test.html') print(type(test_html)) print(test_html)
返回
<class 'pyquery.pyquery.PyQuery'><html lang="en"> <head> <title>PyQuery学习</title> </head> <body> <ul id="container"> <li class="object-1"/> <li class="object-2"/> <li class="object-3"/> </ul> </body> </html>
1.3 对网址响应进行初始化
response = pq(url = 'https://www.baidu.com') print(type(response)) print(response)
返回
<class 'pyquery.pyquery.PyQuery'> <html> <head><meta http-equiv="content-type" content="text/html;charset=utf-8"/><meta http-equiv="X-UA-Compatible" content="IE=Edge"/><meta content="always" name="referrer"/><link rel="stylesheet" type="text/css" rel="nofollow noopener noreferrer" href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="external nofollow" /><title>ç�¾åº¦ä¸�ä¸�ï¼�ä½ å°±ç�¥é��</title></head> <body link="#0000cc"> <div id="wrapper"> <div id="head"> <div class="head_wrapper"> <div class="s_form"> <div class="s_form_wrapper"> <div id="lg"> <img hidefocus="true" src="https://cdnss.haodaima.top/uploadfile/2023/0709/20230709092030444.png" width="270" height="129"/> </div> <form id="form" name="f" action="//www.baidu.com/s" class="fm"> <input type="hidden" name="bdorz_come" value="1"/> <input type="hidden" name="ie" value="utf-8"/> <input type="hidden" name="f" value="8"/> <input type="hidden" name="rsv_bp" value="1"/> <input type="hidden" name="rsv_idx" value="1"/> <input type="hidden" name="tn" value="baidu"/><span class="bg s_ipt_wr"><input id="kw" name="wd" class="s_ipt" value="" maxlength="255" autocomplete="off" autofocus="autofocus"/></span><span class="bg s_btn_wr"><input type="submit" id="su" value="ç�¾åº¦ä¸�ä¸�" class="bg s_btn" autofocus=""/></span> </form> </div> </div> <div id="u1"> <a rel="nofollow noopener noreferrer" href="http://news.baidu.com" rel="external nofollow" name="tj_trnews" class="mnav">æ�°é�»</a> <a rel="nofollow noopener noreferrer" href="https://www.hao123.com" rel="external nofollow" name="tj_trhao123" class="mnav">hao123</a> <a rel="nofollow noopener noreferrer" href="http://map.baidu.com" rel="external nofollow" name="tj_trmap" class="mnav">å�°å�¾</a> <a rel="nofollow noopener noreferrer" href="http://v.baidu.com" rel="external nofollow" name="tj_trvideo" class="mnav">è§�é¢�</a> <a rel="nofollow noopener noreferrer" href="http://tieba.baidu.com" rel="external nofollow" name="tj_trtieba" class="mnav">è´´å�§</a> <noscript> <a rel="nofollow noopener noreferrer" href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1" rel="external nofollow" name="tj_login" class="lb">ç�»å½�</a> </noscript> <script>document.write('<a rel="nofollow noopener noreferrer" href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === " rel="external nofollow" " ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">ç�»å½�</a>'); </script> <a rel="nofollow noopener noreferrer" href="//www.baidu.com/more/" rel="external nofollow" name="tj_briicon" class="bri" style="display: block;">æ�´å¤�产å��</a> </div> </div> </div> <div id="ftCon"> <div id="ftConw"> <p id="lh"> <a rel="nofollow noopener noreferrer" href="http://home.baidu.com" rel="external nofollow" >å ³äº�ç�¾åº¦</a> <a rel="nofollow noopener noreferrer" href="http://ir.baidu.com" rel="external nofollow" >About Baidu</a> </p> <p id="cp">©2017 Baidu <a rel="nofollow noopener noreferrer" href="http://www.baidu.com/duty/" rel="external nofollow" >使ç�¨ç�¾åº¦å��å¿ è¯»</a> <a rel="nofollow noopener noreferrer" href="http://jianyi.baidu.com/" rel="external nofollow" class="cp-feedback">æ��è§�å��é¦�</a> 京ICPè¯�030173å�· <img src="https://cdnss.haodaima.top/uploadfile/2023/0709/20230709092030649.gif"/> </p> </div> </div> </div> </body> </html>
二、常用的CCS选择器
打印id为container的标签
print(doc('#container')) print(type(doc('#container')))
返回
<ul id="container"> <li class="object-1"/> <li class="object-2"/> <li class="object-3"/> </ul> <class 'pyquery.pyquery.PyQuery'>
打印class为object-1的标签
print(doc('.object-1'))
返回
<li class="object-1"/>
打印标签名为body的标签
print(doc('body'))
返回
<body> <ul id="container"> <li class="object-1"/> <li class="object-2"/> <li class="object-3"/> </ul> </body>
多种css选择器使用
print(doc('html #container'))
返回
<ul id="container"> <li class="object-1"/> <li class="object-2"/> <li class="object-3"/> </ul>
三、伪类选择器
伪类nth
print(pseudo_doc('li:nth-child(2)')) #打印第一个li标签 print(pseudo_doc('li:first-child')) #打印最后一个标签 print(pseudo_doc('li:last-child'))
返回
<li class="object-2">大法</li> <li class="object-1">Python</li> <li class="object-6">好玩</li>
contains
#找到含有Python的li标签 print(pseudo_doc("li:contains('Python')")) #找到含有好的li标签 print(pseudo_doc("li:contains('好')"))
返回
<li class="object-1">Python</li> <li class="object-3">好</li> <li class="object-4">好</li> <li class="object-6">好玩</li>
四、查找标签
按照条件在Pyquery对象中查找符合条件的标签,类似于BeautifulSoup中的find方法。
打印id=container的标签
print(doc.find('#container'))
返回
<ul id="container"> <li class="object-1"/> <li class="object-2"/> <li class="object-3"/> </ul> print(doc.find('li'))
返回
<li class="object-1"/> <li class="object-2"/> <li class="object-3"/>
4.2 子辈标签-children方法
#id=container的标签的子辈标签 container = doc.find('#container') print(container.children())
返回
<li class="object-1"/> <li class="object-2"/> <li class="object-3"/>
4.3 父辈标签-parent方法
object_2 = doc.find('.object-2') print(object_2.parent())
返回
<ul id="container"> <li class="object-1"/> <li class="object-2"/> <li class="object-3"/> </ul>
4.4 兄弟标签-siblings方法
object_2 = doc.find('.object-2') print(object_2.siblings())
返回
<li class="object-1"/> <li class="object-3"/>
五、获取标签的信息
定位到目标标签后,我们需要标签内部的文本或者属性值,这时候需要进行提取文本或属性值操作
5.1 标签属性值的提取
.attr() 传入 标签的属性名,返回属性值
object_2 = doc.find('.object-2') print(object_2.attr('class'))
返回
object-2
5.2 标签内的文本
.text()
html_text = """ <html lang="en"> <head> 简单好用的 <title>PyQuery</title> </head> <body> <ul id="container"> Hello World! <li class="object-1">Python</li> <li class="object-2">大法</li> <li class="object-3">好</li> </ul> </body> </html> """ docs = pq(html_text) print(docs.text())
返回
简单好用的 PyQuery Hello World! Python 大法 好
object_1 = docs.find('.object-1') print(object_1.text()) container = docs.find('#container') print(container.text())
返回
Python Hello World! Python 大法 好
tips:如果我只想获得Hello World这个,不想得到其他的文本,可以使用remove方法将li标签去掉,然后再使用text方法
container = docs.find('#container') container.remove('li') print(container.text())
返回
Hello World!
pyquery一些自定义的用法
访问网址
PyQuery与BeautifulSoup对比,我们会发现PyQuery可以对网址发起请求。 比如
from pyquery import PyQuery PyQuery(url = 'https://www.baidu.com')
opener参数
这是PyQuery对百度网址进行请求,并将请求返回的响应数据处理为PyQuery对象。一般pyquery库会默认调用urllib库,如果想使用selenium或者requests库,可以自定义PyQuery的opener参数。
opener参数作用是告诉pyquery用什么请求库对网址发起请求。常见的请求库如urllib、requests、selenium。这里我们自定义一个selenium的opener。
from pyquery import PyQuery from selenium.webdriver import PhantomJS #用selenium访问url def selenium_opener(url): #我没有将Phantomjs放到环境变量,所以每次用都要放上路径 driver = PhantomJS(executable_path = 'phantomjs的路径') driver.get(url) html = driver.page_source driver.quit() return html #注意,使用时opener参数是函数名,没有括号的! PyQuery(url='https://www.baidu.com/', opener=selenium_opener)
这时候我们就能对PyQuery对象进行操作,提取有用的信息。具体请看上次的分享,如果想了解更多的功能,pyquery文档写的不怎么详细,好在基本跟jQuery功能吻合,我们如果想用好pyquery,需要查看jQuery文档。
cookies、headers
在requests用法中,一般为了访问网址更加真实,模仿成浏览器。一般我们需要传入headers,必要的时候还需要传入cookies参数。而pyquery库就有这功能,也能伪装浏览器。
from pyquery import PyQuery cookies = {'Cookie':'你的cookie'} headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'} PyQuery(url='https://www.baidu.com/',headers=headers,cookies=cookies)
让你的selenium带上pyquery功能
让driver访问的网址得到的网页直接变为PyQuery对象,更方便提取数据
from pyquery import PyQuery from selenium.webdriver import PhantomJS class Browser(PhantomJS): @property def dom(self): return PyQuery(self.page_source)""" 这部分property是装饰器,需要知道@property下面紧跟的函数,实现了类的属性功能。 这里browser.dom,就是browser的dom属性。 """ browser = Browser(executable_path='phantomjs的路径') browser.get(url='https://www.baidu.com/') print(type(browser.dom))
返回
<class 'pyquery.pyquery.PyQuery'>
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,如果有疑问大家可以留言交流,谢谢大家对的支持。