python网络爬虫精解之pyquery的使用说明(节点获取)

一、pyquery的介绍

使用pyquery需要在Web和了解jQuery的基础上，使用该CSS选择器。

二、pyquery的使用

1、初始化工作

使用pyquery初始化的方式有很多，传入的参数可以是字符串，也可以是URL和文件名，下面将一一介绍初始化方法。

字符串

html = '''
<html>
<head>
  <meta charset="utf-8">
  <title>test02.html</title>
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
</head>
<body>
  <div id="container">
 <iframe id="iframe" sandbox="allow-scripts" src="/files/%E7%88%AC%E8%99%AB%E5%86%99%E4%BD%9C%E4%BB%A3%E7%A0%81%E6%B5%8B%E8%AF%95/test02.html"></iframe>
  </div>
</body>
</html>
'''
from pyquery import PyQuery as pq
doc = pq(html)
print(doc('title'))

【运行结果】

<title>test02.html</title>

URL

URL以CSDN首页地址为例：

from pyquery import PyQuery as pq
doc = pq(url = 'https://www.csdn.net/')
print(doc('title'))

【运行结果】

<title>CSDN - 专业开发者社区</title>

文件初始化

我们将以下字符串保存为一个HTML文件，通过文件的形式进行初始化。

【test02.html】

<bookstore>
  <book>
 <title lang="eng">Harry Potter</title>
 <price>29.99</price>
  </book>
  <book>
 <title lang="eng">Learning XML</title>
 <price>39.95</price>
  </book>
</bookstore>

from pyquery import PyQuery as pq
doc = pq(filename = 'test02.html')
print(doc('title'))

【运行结果】

<title lang="eng">Harry Potter</title>
<title lang="eng">Learning XML</title>

2、查找节点

（1）查找子节点

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。

from pyquery import PyQuery as pq
doc = pq(filename = 'test02.html')
item = doc('book')
print(item)
lis1 = item.find('title')
lis2 = item.find('price')
print(lis1)
print(lis2)

【运行结果】

<book>
<title lang="eng">Harry Potter</title>
<price>29.99</price>
</book>

<book>
<title lang="eng">Learning XML</title>
<price>39.95</price>
</book>

<title lang="eng">Harry Potter</title>
<title lang="eng">Learning XML</title>

<price>29.99</price>
<price>39.95</price>
可以看到，我们首先匹配的是book节点，然后匹配book节点下的子节点title和price。

其实使用find方法匹配的是所有的子孙节点，如果只是单纯匹配子节点可以使用children方法。

（2）匹配父节点

使用parent（）方法，如果是要匹配祖先节点，则需要使用parents（）方法。

（3）匹配兄弟节点

可以使用siblings（）方法。

3、遍历

对于获取到的内容如果是单个节点，则可以直接转换为字符串类型，而对于获取到多个节点，因其类型为PyQuery类型，需要对获取到的数据进行遍历，这是需要调用items（）方法。

from pyquery import PyQuery as pq
doc = pq(filename = 'test02.html')
items = doc('title').items()
print(items)
print(type(items))
for i in items:
 print(type(i))
 print(i)

【运行结果】

<generator object PyQuery.items at 0x000002B79E13EF48>
<class 'generator'>
<class 'pyquery.pyquery.PyQuery'>
<title lang="eng">Harry Potter</title>

<class 'pyquery.pyquery.PyQuery'>
<title lang="eng">Learning XML</title>

4、获取信息

（1）获取属性

使用attr()方法

from pyquery import PyQuery as pq
doc = pq(filename = 'test02.html')
items = doc('title')
for i in items.items():
 print(i.attr('lang'))

【运行结果】

eng
eng

遍历获取到的数据，就能获得所有title节点的land属性值。

（2）获取文本

使用text()方法

from pyquery import PyQuery as pq
doc = pq(filename = 'test02.html')
items = doc('title')
for i in items.items():
 print(i.text())

【运行结果】

Harry Potter
Learning XML

同样是遍历，获取到每一个title节点的文本值。

5、节点操作

（1）为某个节点添加或删除一个class

调用的方法为addClass和removeClass

from pyquery import PyQuery as pq
doc = pq(filename = 'test02.html')
items = doc('title')
for i in items.items():
 print(i)
 i.addClass('book01')
 print(i)
 i.removeClass('book01')
 print(i)

【运行结果】

<title lang="eng">Harry Potter</title>

<title lang="eng" class="book01">Harry Potter</title>

<title lang="eng" class="">Harry Potter</title>

<title lang="eng">Learning XML</title>

<title lang="eng" class="book01">Learning XML</title>

<title lang="eng" class="">Learning XML</title>

可以看到，首先是打印最初始的title节点，加上class属性后再次打印，去掉class属性后再次打印。