[Python3 网络爬虫开发实战] 4.3 - 使用 pyquery
在上一节中，我们介绍了 Beautiful Soup 的用法，它是一个非常强大的网页解析库，你是否觉得它的一些方法用起来有点不适应？有没有觉得它的 CSS 选择器的功能没有那么强大？
如果你对 Web 有所涉及，如果你比较喜欢用 CSS 选择器，如果你对 jQuery 有所了解，那么这里有一个更适合你的解析库 ——pyquery。
接下来，我们就来感受一下 pyquery 的强大之处。
1. 准备工作
在开始之前，请确保已经正确安装好了 pyquery。若没有安装，可以参考第 1 章的安装过程。
2. 初始化
像 Beautiful Soup 一样，初始化 pyquery 的时候，也需要传入 HTML 文本来初始化一个 PyQuery 对象。它的初始化方式有多种，比如直接传入字符串，传入 URL，传入文件名，等等。下面我们来详细介绍一下。
字符串初始化
首先，我们用一个实例来感受一下：
1 |
html = ''' |
运行结果如下：
1 |
<li class="item-0">first item</li> |
这里首先引入 PyQuery 这个对象，取别名为 pq。然后声明了一个长 HTML 字符串，并将其当作参数传递给 PyQuery 类，这样就成功完成了初始化。接下来，将初始化的对象传入 CSS 选择器。在这个实例中，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，此时只需要指定参数为 url 即可：
1 |
from pyquery import PyQuery as pq |
运行结果如下：
1 |
<title>静觅丨崔庆才的个人博客</title> |
这样的话，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，这其实就相当于用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：
1 |
from pyquery import PyQuery as pq |
文件初始化
当然，除了传递 URL，还可以传递本地的文件名，此时将参数指定为 filename 即可：
1 |
from pyquery import PyQuery as pq |
当然，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。这样它会首先读取本地的文件内容，然后用文件内容以字符串的形式传递给 PyQuery 类来初始化。
以上 3 种初始化方式均可，当然最常用的初始化方式还是以字符串形式传递。
3. 基本 CSS 选择器
首先，用一个实例来感受 pyquery 的 CSS 选择器的用法：
1 |
html = ''' |
运行结果如下：
1 |
<li class="item-0">first item</li> |
这里我们初始化 PyQuery 对象之后，传入了一个 CSS 选择器#container .list li，它的意思是先选取 id 为 container 的节点，然后再选取其内部的 class 为 list 的节点内部的所有 li 节点。然后，打印输出。可以看到，我们成功获取到了符合条件的节点。
最后，将它的类型打印输出。可以看到，它的类型依然是 PyQuery 类型。
4. 查找节点
下面我们介绍一些常用的查询函数，这些函数和 jQuery 中函数的用法完全相同。
子节点
查找子节点时，需要用到 find() 方法，此时传入的参数是 CSS 选择器。这里还是以前面的 HTML 为例：
1 |
from pyquery import PyQuery as pq |
运行结果如下：
1 |
<class 'pyquery.pyquery.PyQuery'> |
首先，我们选取 class 为 list 的节点，然后调用了 find() 方法，传入 CSS 选择器，选取其内部的 li 节点，最后打印输出。可以发现，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。
其实 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，那么可以用 children() 方法：
1 |
lis = items.children() |
运行结果如下：
1 |
<class 'pyquery.pyquery.PyQuery'> |
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.active：
1 |
lis = items.children('.active') |
运行结果如下：
1 |
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> |
可以看到，输出结果已经做了筛选，留下了 class 为 active 的节点。
父节点
我们可以用 parent() 方法来获取某个节点的父节点，示例如下：
1 |
html = ''' |
运行结果如下：
1 |
<class 'pyquery.pyquery.PyQuery'> |
这里我们首先用.list 选取 class 为 list 的节点，然后调用 parent() 方法得到其父节点，其类型依然是 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。
但是如果想获取某个祖先节点，该怎么办呢？这时可以用 parents() 方法：
1 |
from pyquery import PyQuery as pq |
运行结果如下：
1 |
<class 'pyquery.pyquery.PyQuery'> |
可以看到，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。也就是说，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：
1 |
parent = items.parents('.wrap') |
运行结果如下：
1 |
<div class="wrap"> |
可以看到，输出结果少了一个节点，只保留了 class 为 wrap 的节点。
兄弟节点
前面我们说明了子节点和父节点的用法，还有一种节点，那就是兄弟节点。如果要获取兄弟节点，可以使用 siblings() 方法。这里还是以上面的 HTML 代码为例：
1 |
from pyquery import PyQuery as pq |
这里首先选择 class 为 list 的节点内部 class 为 item-0 和 active 的节点，也就是第三个 li 节点。那么，很明显，它的兄弟节点有 4 个，那就是第一、二、四、五个 li 节点。
运行结果如下：
1 |
<li class="item-1"><a href="link2.html">second item</a></li> |
可以看到，这正是我们刚才所说的 4 个兄弟节点。
如果要筛选某个兄弟节点，我们依然可以向 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：
1 |
from pyquery import PyQuery as pq |
这里我们筛选了 class 为 active 的节点，通过刚才的结果可以观察到，class 为 active 的兄弟节点只有第四个 li 节点，所以结果应该是一个。
我们再看一下运行结果：
1 |
<li class="item-1 active"><a href="link4.html">fourth item</a></li> |
5. 遍历
刚才可以观察到，pyquery 的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，并没有返回像 Beautiful Soup 那样的列表。
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：
1 |
from pyquery import PyQuery as pq |
运行结果如下：
1 |
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> |
对于多个节点的结果，我们就需要遍历来获取了。例如，这里把每一个 li 节点进行遍历，需要调用 items() 方法：
1 |
from pyquery import PyQuery as pq |
运行结果如下：
1 |
<class 'generator'> |
可以发现，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所说的方法进行选择，比如继续查询子节点，寻找某个祖先节点等，非常灵活。
6. 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，下面分别进行说明。
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：
1 |
html = ''' |
运行结果如下：
1 |
<a href="link3.html"><span class="bold">third item</span></a> <class 'pyquery.pyquery.PyQuery'> |
这里首先选中 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，就可以得到这个属性值了。
此外，也可以通过调用 attr 属性来获取属性，用法如下：
1 |
print(a.attr.href) |
结果如下：
1 |
link3.html |
这两种方法的结果完全一样。
如果选中的是多个元素，然后调用 attr() 方法，会出现怎样的结果呢？我们用实例来测试一下：
1 |
a = doc('a') |
运行结果如下：
1 |
<a href="link2.html">second item</a><a href="link3.html"><span class="bold">third item</span></a><a href="link4.html">fourth item</a><a href="link5.html">fifth item</a> <class 'pyquery.pyquery.PyQuery'> |
照理来说，我们选中的 a 节点应该有 4 个，而且打印结果也应该是 4 个，但是当我们调用 attr() 方法时，返回结果却只是第一个。这是因为，当返回结果包含多个节点时，调用 attr() 方法，只会得到第一个节点的属性。
那么，遇到这种情况时，如果想获取所有的 a 节点的属性，就要用到前面所说的遍历了：
1 |
from pyquery import PyQuery as pq |
此时的运行结果如下：
1 |
link2.html |
因此，在进行属性获取时，可以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
获取节点之后的另一个主要操作就是获取其内部的文本了，此时可以调用 text() 方法来实现：
1 |
html = ''' |
运行结果如下：
1 |
<a href="link3.html"><span class="bold">third item</span></a> |
这里首先选中一个 a 节点，然后调用 text() 方法，就可以获取其内部的文本信息。此时它会忽略掉节点内部包含的所有 HTML，只返回纯文字内容。
但如果想要获取这个节点内部的 HTML 文本，就要用 html() 方法了：
1 |
from pyquery import PyQuery as pq |
这里我们选中了第三个 li 节点，然后调用了 html() 方法，它返回的结果应该是 li 节点内的所有 HTML 文本。
运行结果如下：
1 |
<a href="link3.html"><span class="bold">third item</span></a> |
这里同样有一个问题，如果我们选中的结果是多个节点，text() 或 html() 会返回什么内容？我们用实例来看一下：
1 |
html = ''' |
运行结果如下：
1 |
<a href="link2.html">second item</a> |
结果可能比较出乎意料，html() 方法返回的是第一个 li 节点的内部 HTML 文本，而 text() 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。
所以这个地方值得注意，如果得到的结果是多个节点，并且想要获取每个节点的内部 HTML 文本，则需要遍历每个节点。而 text() 方法不需要遍历就可以获取，它将所有节点取文本之后合并成一个字符串。
7. 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，这些操作有时候会为提取信息带来极大的便利。
由于节点操作的方法太多，下面举几个典型的例子来说明它的用法。
addClass 和 removeClass
我们先用实例来感受一下：
1 |
html = ''' |
首先选中了第三个 li 节点，然后调用 removeClass() 方法，将 li 节点的 active 这个 class 移除，后来又调用 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。
运行结果如下：
1 |
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> |
可以看到，一共输出了 3 次。第二次输出时，li 节点的 active 这个 class 被移除了，第三次 class 又添加回来了。
所以说，addClass() 和 removeClass() 这些方法可以动态改变节点的 class 属性。
attr、text 和 html
当然，除了操作 class 这个属性外，也可以用 attr() 方法对属性进行操作。此外，还可以用 text() 和 html() 方法来改变节点内部的内容。示例如下：
1 |
html = ''' |
这里我们首先选中 li 节点，然后调用 attr() 方法来修改属性，其中该方法的第一个参数为属性名，第二个参数为属性值。接着，调用 text() 和 html() 方法来改变节点内部的内容。三次操作后，分别打印输出当前的 li 节点。
运行结果如下：
1 |
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> |
可以发现，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。接着调用 text() 方法，传入文本之后，li 节点内部的文本全被改为传入的字符串文本了。最后，调用 html() 方法传入 HTML 文本后，li 节点内部又变为传入的 HTML 文本了。
所以说，如果 attr() 方法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。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()
顾名思义，remove() 方法就是移除，它有时会为信息的提取带来非常大的便利。下面有一段 HTML 文本：
1 |
html = ''' |
现在想提取 Hello, World 这个字符串，而不要 p 节点内部的字符串，需要怎样操作呢？
这里直接先尝试提取 class 为 wrap 的节点的内容，看看是不是我们想要的。运行结果如下：
1 |
Hello, World This is a paragraph. |
这个结果还包含了内部的 p 节点的内容，也就是说 text() 把所有的纯文本全提取出来了。如果我们想去掉 p 节点内部的文本，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。
这时 remove() 方法就可以派上用场了，我们可以接着这么做:
1 |
wrap.find('p').remove() |
首先选中 p 节点，然后调用了 remove() 方法将其移除，然后这时 wrap 内部就只剩下 Hello, World 这句话了，然后再利用 text() 方法提取即可。
另外，其实还有很多节点操作的方法，比如 append()、empty() 和 prepend() 等方法，它们和 jQuery 的用法完全一致，详细的用法可以参考官方文档：http://pyquery.readthedocs.io/en/latest/api.html。
8. 伪类选择器
CSS 选择器之所以强大，还有一个很重要的原因，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。示例如下：
1 |
html = ''' |
这里我们使用了 CSS3 的伪类选择器，依次选择了第一个 li 节点、最后一个 li 节点、第二个 li 节点、第三个 li 之后的 li 节点、偶数位置的 li 节点、包含 second 文本的 li 节点。
关于 CSS 选择器的更多用法，可以参考 http://www.w3school.com.cn/css/index.asp。
到此为止，pyquery 的常用用法就介绍完了。如果想查看更多的内容，可以参考 pyquery 的官方文档：http://pyquery.readthedocs.io。我们相信有了它，解析网页不再是难事。
文章来源: cuiqingcai.com，作者：崔庆才，版权归原作者所有，如需转载，请联系作者。
原文链接：cuiqingcai.com/5551.html
- 点赞
- 收藏
- 关注作者
评论（0）