IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> python爬虫——Pyquery库 -> 正文阅读

[Python知识库]python爬虫——Pyquery库

Pyquery库并非python标准库,所以需要下载:pip install pyquery
Pyquery是一个类似jquery(一个js库)的库,使用 lxml 进行快速 xml 和 html 操作。
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。

1. 初始化Pyquery对象

初始化pyquery对象的方法有三种:文件名(filename)、网址(url)、字符串(text)

1.1 通过网址(url)初始化Pyquery对象

即,解析网址。在发起请求时注明编码集 如:encoding=“utf-8”
在这里插入图片描述
注意:一定要把协议补全了,这里的url就跟你在浏览器的网址栏里看到的一样。

from pyquery import PyQuery as pq
data = pq(url='https://www.baidu.com',encoding='utf-8')
print(data)#返回网页源代码
print(type(data))#<class 'pyquery.pyquery.PyQuery'>
print(data('title'))<title>百度一下,你就知道</title>

1.2 通过字符串(text)初始化Pyquery对象

from pyquery import PyQuery as pq
text = '''
<div id="cont">
<ul class="slist">
<li class="item-0">web开发</li>
<li class="item-1"><a href="link2.html">爬虫开发</a></li>
<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
<li class="item-1 active"><a href="link4.html">深度学习</a></li>
<li class="item-0"><a href="link5.html">机器学习</a></li>
</ul>
</div>
'''
data = pq(text)
print(data)#返回text的内容
print(data('span'))#<span class="bold">数据分析</span>

1.3 通过文件名(filename)初始化Pyquery对象
第一步,先创建一个html文件 : 练习.html

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
<div id="cont">
<ul class="slist">
<li class="item-0">web开发</li>
<li class="item-1"><a href="link2.html">爬虫开发</a></li>
<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
<li class="item-1 active"><a href="link4.html">深度学习</a></li>
<li class="item-0"><a href="link5.html">机器学习</a></li>
</ul>
</div>
</body>
</html>

第二步,解析

from pyquery import PyQuery as pq

data = pq(filename='练习.html',encoding='UTF-8')
print(data)#UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in position 175: illegal multibyte sequence

报错了不要急,原因是gbk解码错误。两种解决方式:
1)将html中的中文字符全部删除,再读取

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
<div id="cont">
<ul class="slist">
<li class="item-0">web</li>
<li class="item-1"><a href="link2.html"></a></li>
<li class="item-0 active"><a href="link3.html"><span class="bold"></span></a></li>
<li class="item-1 active"><a href="link4.html"></a></li>
<li class="item-0"><a href="link5.html"></a></li>
</ul>
</div>
</body>
</html>
from pyquery import PyQuery as pq

data = pq(filename='练习.html',encoding='UTF-8')
print(data)#返回html文件内容
print(data('title'))#<title>Title</title>

2)先读取文件,并重新编码,再用字符串方式初始化
最终效果与1)是一样的。不过会占用内存,html文件太大时不太适合。
f

rom pyquery import PyQuery as pq

with open('练习.html','r+',encoding='utf-8') as f:
    text = f.read()
data = pq(text)
print(data)
print(data('title'))

2. 查找节点

补充资料:https://www.icode9.com/content-1-621561.html
2.1 标签选择器

语法:pyquery对象('标签名')

就是前面范例中的:

print(data('title'))#<title>Title</title>

如果要查某一个子标签,则:

语法:pyquery对象('标签a a的子标签b b的子标签c ...)
from pyquery import PyQuery as pq

data = pq(url='http://www.baidu.com',encoding='utf-8')


#with open('baidu首页.html','w+',encoding='utf-8') as f:
#     f.write(str(data))
print(data('div div div div div div'))
#<div id="lg"> <img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129"/> </div> 

在这里插入图片描述

2.2 CSS选择器
2.2.1 class选择器

语法:pyquery对象('.class属性值')

表示选择该pq对象中所有class='class属性值’的内容

语法:pyquery对象('标签1.class属性值') 

表示选择 pq对象中class='class属性值’的标签1 内容

from pyquery import PyQuery as pq
with open('练习.html','r+',encoding='utf-8') as f:
    text = f.read()
data = pq(text)

# 满足 class='item-0'的标签内容
print(data('.item-0'))
#<li class="item-0">web开发</li>
#<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
#<li class="item-0"><a href="link5.html">机器学习</a></li>

# 同时满足 class='item-0'和class='active'的标签内容
print(data('.item-0.active'))
#<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>

# class='item-1'的li标签
print(data('li.item-1'))
#<li class="item-1"><a href="link2.html">爬虫开发</a></li>
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>

2.2.2 id选择器

语法:pyquery对象('#ID属性值')

表示选择该pq对象中所有id='ID属性值’的内容

语法:pyquery对象('标签1#ID属性值')

表示选择 pq对象中id='ID属性值’的标签1 内容。

这样写是可以,不过id不同于class,一个id对应一个css元素,一个css元素对应一个id,不存在id值相同的两个不同标签。所以没必要这样写

from pyquery import PyQuery as pq

data = pq(url='http://www.baidu.com',encoding='utf-8')

print(data('#lg'))
#<div id="lg"> <img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129"/> </div> 

print(data('div#lg'))
#<div id="lg"> <img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129"/> </div> 

2.2.4 其他
在这里插入图片描述

2.3 伪类选择器
在这里插入图片描述

html = '''
<div id="cont">
<ul class="slist">
<li class="item-0">web开发</li>
<li class="item-1"><a href="link2.html">爬虫开发</a></li>
<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
<li class="item-1 active"><a href="link4.html">深度学习</a></li>
<li class="item-0"><a href="link5.html">机器学习</a></li>
</ul>
</div>
'''
from pyquery import PyQuery as pq
doc = pq(html)

li = doc('li:first-child')# 选择第一个li节点
print(li)
#<li class="item-0">web开发</li>

li1 = doc('li:last-child')# 选择最后一个li节点
print(li1)
#<li class="item-0"><a href="link5.html">机器学习</a></li>

li2 = doc('li:nth-child(2)')# 选择第二个li节点
print(li2)
#<li class="item-1"><a href="link2.html">爬虫开发</a></li>

li3 = doc('li:gt(2)')# 选择第3个li(不包括第三个)之后的li节点
print(li3)
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>
#<li class="item-0"><a href="link5.html">机器学习</a></li>

li4 = doc('li:nth-child(2n)')# 选择偶数位置的li节点
print(li4)
#<li class="item-1"><a href="link2.html">爬虫开发</a></li>
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>

li5 = doc('li:contains(深度)')# 选择包含'深度'文本的li节点
print(li5)
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>

2.4 父级节点查找

语法:pyquery对象.parent()

直接父级节点查找

from pyquery import PyQuery as pq
doc = pq(html)#这是一个pyquery对象

li = doc('li')#这也是一个pyquery对象
print(type(li))#<class 'pyquery.pyquery.PyQuery'>
print(li.parent())

输出结果:

<ul class="slist">
<li class="item-0">web开发</li>
<li class="item-1"><a href="link2.html">爬虫开发</a></li>
<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
<li class="item-1 active"><a href="link4.html">深度学习</a></li>
<li class="item-0"><a href="link5.html">机器学习</a></li>
</ul>
语法:pyquery对象.parents('条件1')

符合条件1的(父)祖级节点查找。如果不加条件限制,会返回所有的 父级 祖级。

from pyquery import PyQuery as pq
doc = pq(html)

li = doc('li')
print(li.parents('div'))
输出:
<div id="cont">
<ul class="slist">
<li class="item-0">web开发</li>
<li class="item-1"><a href="link2.html">爬虫开发</a></li>
<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
<li class="item-1 active"><a href="link4.html">深度学习</a></li>
<li class="item-0"><a href="link5.html">机器学习</a></li>
</ul>
</div>

2.5 子级节点查找

语法1:pyquery对象.children('条件1')

符合条件1的直接子级节点查找,如果过不加条件限制,会返会所有直接子级。

from pyquery import PyQuery as pq
doc = pq(html)

li = doc('li')
print(type(li))#<class 'pyquery.pyquery.PyQuery'>
ch = li.children()
print(type(ch),ch)
#<class 'pyquery.pyquery.PyQuery'> <a href="link2.html">爬虫开发</a><a href="link3.html"><span class="bold">数据分析</span></a><a href="link4.html">深度学习</a><a href="link5.html">机器学习</a>
语法2:pyquery对象('父节点 子节点')

注意:这个子节点并不需要是直接子关系,可以是孙子关系或者更下层的层级关系。

from pyquery import PyQuery as pq
doc = pq(html)

li = doc('.item-0 span')
print(li)#<span class="bold">数据分析</span>

两个节点之间加空格,表示后者是前者的下级;

不加空格表示同时满足条件1和条件2(例如doc(’.item-1.active’)),不适用于标签选择器(因为不加.或者[]之类符号限制的话,系统会将两个相连的标签识别为一个标签名,会报错例如:divp)。

print(doc('.item-1.active'))
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>
语法3:pyquery对象('标签1>标签2')

适用于标签选择器。查找标签1下的多有标签2。标签1和标签2必须成直接父子关系,否则查找不到。

from pyquery import PyQuery as pq
doc = pq(html)

li = doc('ul>li')
print(li)
#<li class="item-0">web开发</li>
#<li class="item-1"><a href="link2.html">爬虫开发</a></li>
#<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>
#<li class="item-0"><a href="link5.html">机器学习</a></li>

2.6 同级(兄弟)节点查找

语法:pyquery对象.sibling('条件1')

查找符合条件1的兄弟节点。不加条件,则返回所有兄弟节点。

from pyquery import PyQuery as pq
doc = pq(html)
data = doc('li.active')
print(data)
#<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>

print(data.siblings())
#<li class="item-1"><a href="link2.html">爬虫开发</a></li>
#<li class="item-0">web开发</li>
#<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
#<li class="item-1"><a href="link2.html">爬虫开发</a></li>
#<li class="item-0">web开发</li>
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>
#<li class="item-0"><a href="link5.html">机器学习</a></li>
#<li class="item-0"><a href="link5.html">机器学习</a></li>

print(data.siblings('.item-1'))
#<li class="item-1"><a href="link2.html">爬虫开发</a></li>
#<li class="item-1"><a href="link2.html">爬虫开发</a></li>
#<li class="item-1 active"><a href="link4.html">深度学习</a></li>

2.7 同时查找多个节点

语法:pyquery对象('节点a,节点b')
from pyquery import PyQuery as pq

data = pq(url='http://www.baidu.com',encoding='utf-8')
for i in data('a,span').items():
    print(i)
输出结果:
<span class="bg s_ipt_wr"><input id="kw" name="wd" class="s_ipt" value="" maxlength="255" autocomplete="off" autofocus=""/></span>
<span class="bg s_btn_wr"><input type="submit" id="su" value="百度一下" class="bg s_btn"/></span> 
<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新闻</a> 
<a href="http://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a> 
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地图</a> 
<a href="http://v.baidu.com" name="tj_trvideo" class="mnav">视频</a> 
<a href="http://tieba.baidu.com" name="tj_trtieba" class="mnav">贴吧</a> 
<a href="http://www.baidu.com/bdorz/login.gif?login&amp;tpl=mn&amp;u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1" name="tj_login" class="lb">登录</a> 
<a href="//www.baidu.com/more/" name="tj_briicon" class="bri" style="display: block;">更多产品</a> 
<a href="http://home.baidu.com">关于百度</a> 
<a href="http://ir.baidu.com">About Baidu</a> 
<a href="http://www.baidu.com/duty/">使用百度前必读</a>  
<a href="http://jianyi.baidu.com/" class="cp-feedback">意见反馈</a> 京ICP证030173

3. 遍历pyquery对象

pyquery对象.items() 转换为生成器对象(迭代器的一种),再for循环遍历

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

输出结果:

<class 'generator'>
<li class="item-0">web开发</li>

<li class="item-1"><a href="link2.html">爬虫开发</a></li>

<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>

<li class="item-1 active"><a href="link4.html">深度学习</a></li>

<li class="item-0"><a href="link5.html">机器学习</a></li>

4. 获取信息

4.1 获取属性值——attr()

语法1:pyquery对象.attr('属性名')

attr()只传递一个参数:属性名,表示查找属性值;
如果传递第二个参数,则表示修改属性值。
修改时,若第一个参数,这个属性不存在,则创建。

语法2:pyquery对象.attr.属性名
from pyquery import PyQuery as pq
doc = pq(html)
print(doc.attr('id'))#cont
print(doc.attr.id)#cont
doc.attr('name', 'alink')
print(doc.attr('name'))#alink

attr方法是在pyquery对象的第一个标签里查找属性,如果没找到就返回None。

print(doc.attr('href'))#None
print(doc.attr.href)#None

所以我们需要先把一个pyquery对象用items()方法转换成一个迭代器对象,再迭代这个迭代器对象,再使用attr()方法取找每一个标签里的属性。

from pyquery import PyQuery as pq
doc = pq(html)
data = doc('li').items()
for i in data:
    print(i)
    print(i.attr('class'))

输出结果:

<li class="item-0">web开发</li>

item-0
<li class="item-1"><a href="link2.html">爬虫开发</a></li>

item-1
<li class="item-0 active"><a href="link3.html"><span class="bold">数据分析</span></a></li>

item-0 active
<li class="item-1 active"><a href="link4.html">深度学习</a></li>

item-1 active
<li class="item-0"><a href="link5.html">机器学习</a></li>

item-0

4.2 获取文本——text()

from pyquery import PyQuery as pq
doc = pq(html)
data = doc('span')
print(data)#<span class="bold">数据分析</span>
print(data.text())#数据分析

text()中也可以传递参数,表示修改文本。

data.text('金融分析')
print(data.text())#金融分析

4.3 获取节点内部的HTML文本——html()
获取或设置子节点的html表示,不传参表示查询,传参表示修改。

from pyquery import PyQuery as pq
doc = pq(html)
data = doc('li').items()
for d in data:
    print(d.html())
    d.html('<span>修改文档</span>')
    print(d.html())

运行结果:

web开发
<span>修改文档</span>
<a href="link2.html">爬虫开发</a>
<span>修改文档</span>
<a href="link3.html"><span class="bold">数据分析</span></a>
<span>修改文档</span>
<a href="link4.html">深度学习</a>
<span>修改文档</span>
<a href="link5.html">机器学习</a>
<span>修改文档</span>

5. 节点操作

为了提取方便,我们可以修改我们已经获取的html的节点,如在指定位置添加class,移除不需要的某个(些)节点等

5.1 移除指定节点——remove()

先查找到要移除的结点,然后.remove()即可

from pyquery import PyQuery as pq
doc = pq(html)
data = doc('li')
data.remove()
print(doc)

运行结果:

<div id="cont">
<ul class="slist">
 
 
 
 
 
</ul>
</div>

5.2 移除class属性——removeClass()

removeClass('要移除的属性值')
from pyquery import PyQuery as pq
doc = pq(html)
data = doc('li.active')
data.remove_class('item-0')
print(data)

运行结果:

<li class="active"><a href="link3.html"><span class="bold">数据分析</span></a></li>
<li class="item-1 active"><a href="link4.html">深度学习</a></li>

5.3 增加class属性——addClass()

addClass('要增加的属性值')
from pyquery import PyQuery as pq
doc = pq(html)
data = doc('li.item-0.active')
data.add_class('春天来了')#中文会自动Unicode编码
print(data)
#<li class="item-0 active &#x6625;&#x5929;&#x6765;&#x4E86;"><a href="link3.html"><span class="bold">数据分析</span></a></li>

6. 注意事项

pyquery库直接请求url的话,没有办法设置请求头和请求方式,也不能上传数据。
所以只能用来爬取一些简单的网址。
不过用来做数据解析和提取时挺好用的,一般也确实是这样用的。
获取网页的工作用别的库,如requests库来完成。

  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章      下一篇文章      查看所有文章
加:2021-07-28 07:42:06  更:2021-07-28 07:43:29 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年12日历 -2024/12/25 14:55:29-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码
数据统计