沭阳学爬虫09爬虫解析器PyQuery_沐阳爬虫-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_54687004/article/details/114969738

09爬虫解析器PyQuery

一旦正则表达式写法有问题，我们就无法获取需要的信息

每个网页，都有一定的特殊结构和层级关系

而且很多节点都有id或class作为区分，

我们可以借助它们的结构和属性来提取信息吗？

这的确可行，pyquery,一个更强大的HTML解析库

利用它，我们可以直接解析DOM节点的结构，并通过DOM节点的一些属性快速进行内容提取

pip3 install pyquery

https://cuiqingcai.com/5186.html

初始化

我们在解析HTML文本的时候，首先需要将其初始化为一个pyquery对象。

初始化方式有多种，比如直接传入字符串、传入URL、传入文件名等等

字符串初始化

我们可以直接把HTML的内容当做参数来初始化pyquery对象

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
doc = pq(html)
print(doc('li'))

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，并将其当做参数传递给pyquery类，这样就完成了初始化

接下来，将初始化的对象传入CSS选择器。我们传入li节点，这样就可以选择所有的li节点

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，只需要指定参数为URL即可

from pyquery import PyQuery as pq
doc = pq(url='https://cuiqingcai.com')
print(doc('title'))

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

这就相当于将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://cuiqingcai.com').text)
print(doc('title'))

文件初始化

除了传递一个URL，还可以传递本地的文件名，参数指定为filename即可

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
print(doc('li'))

这里需要有一个本地HTML文件demo.html，其内容是待解析的HTML字符串

这样它会先读取本地的文件内容，然后将文件内容以字符串形式传递给pyquery类来初始化

以上三种方式均可初始化，最常用的初始化方式还是以字符串形式传递

基本CSS选择器

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'))
print(type(doc('#container .list li')))

我们初始化pyquery对象之后，传入CSS选择器 #container .list li

先选取id为container的节点，
然后再选取其内部class为list的所有li节点
最后打印输出

我们成功获取到了符合条件的节点，它的类型依然是pyquery类型

下面我们直接遍历这些节点，然后调用text方法，就可以获取节点的文本内容

for item in doc('#container .list li').items():
    print(item.text())

我们没有再写正则表达式，而是直接通过选择器和text方法，就得到了我们想要提取的文本信息

查找节点

子节点

查找子节点需要用到find方法，传入的参数是CSS选择器

from pyquery import PyQuery as pq
doc = pq(html)
items = doc('.list')
print(type(items))
print(items)
lis = items.find('li')
print(type(lis))
print(lis)

首先通过 .list参数选取class为list的节点
然后调用find方法，传入CSS选择器，选取其内部的li节点
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

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，可以使用children方法

lis = items.children()
print(type(lis))
print(lis)

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 .actvie

lis = items.children('.active')
print(lis)

父节点

我们可以用parent方法来获取某个节点的父节点

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)
items = doc('.list')
container = items.parent()
print(type(container))
print(container)

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，其类型仍然是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

但如果想获取某个祖先节点，该怎么办呢？可以用parents方法

from pyquery import PyQuery as pq
doc = pq(html)
items = doc('.list')
parents = items.parents()
print(type(parents))
print（parents）

这个例子输出结果有两个：一个是class为wrap的节点，一个是id为container的节点

使用parents方法会返回所有的祖先节点

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)

输出结果少了一个节点，只保留了class为wrap的节点

兄弟节点

如果要获取兄弟节点，可以使用siblings方法

from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.list .item-0 actvie')
print(li.siblings())

我们首先选择class为list的节点，内部class为item-0 和active的节点，也就是第3个li节点。

它的兄弟节点有4个，那就是第1,2,4,5个li节点

如果要筛选某个兄弟节点，我们依然可以用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

from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.list .item-0.active')
print(li.siblings('.active'))

我们筛选class为active的节点，是第4个li节点，所以结果应该是1个。

遍历

pyquery的选择结果既可能是多个节点，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

from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.item-0.active')
print(li)
print(str(li))

对于有多个节点的结果，我们就需要用遍历来获取了。

如果要把每一个li节点进行遍历，需要调用items方法

from pyquery import PyQuery as pq
doc =pq(html)
lis = doc('li').items()
print(type(lis))
for li in lis:
    print(li,type(li))

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的方法进行选择，例如继续查询子节点，寻找某个祖先节点等

获取信息

提取到节点之后，我们的最终目的当然是提取节点所包含的信息了。

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

from pyquery import PyQuery as pq
doc = pq(html)
a = doc('.item-0.active a')
print(a,type(a))
print(a.attr('href'))

我们首先选中class为item-0 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，就可以得到属性值了

也可以通过attr属性来获取属性值

print(a.attr.href)

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)

照理来说，我们选中的a节点应该有4个，打印结果也应该是4个

但是当我们调用attr方法时，返回结果却只有第一个

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1个节点的属性

如果想获取所有的a节点的属性，就要用到遍历

from pyquery import PyQuery as pq
doc = pq(html)
a = doc('a')
for item in a.items():
    print(item.attr('href'))

在进行属性获取时，先要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

可以调用text方法来实现

from pyquery import PyQuery as pq
doc = pq(html)
a = doc('.item-0.active a')
print(a)
print(a.text())

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基本信息了

text会忽略节点内部包含的所有HTML，只返回纯文字内容

如果你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())

我们选中第3个li节点，然后调用html方法，它返回的结果应该是li节点内的所有HTML文本

如果我们选中的结果是多个节点，text和html方法会返回什么内容？

html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <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')
print(li.html())
print(li.text())
print(type(li.text()))

结果比较出乎意料

html方法返回的是第1个li节点的内部HTML文本

text方法则返回了所有的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

如果你想要得到的结果是多个节点

并且需要获取每个节点的HTML文本，则需要遍历每个节点。

而text方法不需要遍历啊就可以获取，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，这些操作有时会为提取信息带来极大的便利

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')
print(li)
li.addClass('actvie')
print(li)

首先选中第3个li节点，然后调用removeClass方法，将li节点的active这个class移除
第二步a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

addClass和removeClass方法可以动态改变节点的class属性

attr、text、html

除了操作class属性外，也可以用attr方法对属性进行操作，还可以用text和html方法来改变节点内部的内容

html = '''
<ul class="list">
     <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
</ul>
'''
from pyquery import PyQuery as pq
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)

首先选中li节点，然后调用attr方法来修改属性，该方法的第1个参数为属性名，第2个参数为属性值。

最后调用text和html方法来改变节点内部的内容

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
调用text方法传入文本，li节点内部的文本全被改为传入的字符串文本
调用html方法传入HTML文本，li节点内部又变为传入的HTML文本了

使用attr方法时，如果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

使用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

移除，它有时会为信息的提取带来非常大的便利

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())

现在我们想提取“Hello World"这个字符串，该怎样操作呢？

这个结果里还包含了内部p节点的文本，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

我们可以这么做

wrap.find('p').remove()
print(wrap.text())

首先选中p节点，然后调用remove将其移除，这时wrap内部就只剩下“Hello World”这句话，最后利用text方法提取即可

其他节点操作，如append、empty、prepend等方法

http://pyquery.readthedocs.io/en/latest/api.html

伪类选择器

CSS选择器之所以强大，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

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)