python爬虫之pyquery学习
相关内容：
- pyquery的介绍
- pyquery的使用
- 安装模块
- 导入模块
- 解析对象初始化
- css选择器
- 在选定元素之后的元素再选取
- 元素的文本、属性等内容的获取
- pyquery执行DOM操作、css操作
- Dom操作
- CSS操作
- 一个利用pyquery爬取豆瓣新书的例子
首发时间：2018-03-09 21:26
pyquery的介绍
- pyquery允许对xml、html文档进行jQuery查询。
- pyquery使用lxml进行快速xml和html操作。
- pyquery是python中的jquery
PyQuery的使用：
1.安装模块：
pip3 install pyquery
2.导入模块:
from pyquery import PyQuery as pq
3.解析对象初始化：
【使用PyQuery初始化解析对象,PyQuery是一个类，直接将要解析的对象作为参数传入即可】
- 解析对象为字符串时字符串初始化 ：默认情况下是字符串，如果字符串是一个带http\https前缀的，将会认为是一个url
textParse = pq(html)
- 解析对象为网页时url初始化: 建议使用关键字参数url=
# urlParse = pq('http://www.baidu.com') #1 urlParse = pq(url='http://www.baidu.com') # - 解析对象为文件时文件初始化：建议使用关键字参数filename=
fileParse = pq(filename="L:\demo.html")
- 解析完毕后，就可以使用相关函数或变量来进行筛选，可以使用css等来筛选，
4.CSS选择器：
- 利用标签获取：
result = textParse('h2').text() - 利用类选择器：
result3=textParse(".p1").text() - 利用id选择：
result4=textParse("#user").attr("type") - 分组选择：
result5=textParse("p,div").text() - 后代选择器：
result6=textParse("div a").attr.href - 属性选择器：
result7=textParse("[class='p1']").text() - CSS3伪类选择器：
result8=textParse("p:last").text()
（更多的，可以参考css）
5.在选定元素之后的元素再选取:
- find():找出指定子元素 ,find可以有参数，该参数可以是任何 jQuery 选择器的语法，
- filter():对结果进行过滤，找出指定元素 ,filter可以有参数，该参数可以是任何 jQuery 选择器的语法，
- children():获取所有子元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
- parent():获取父元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
- parents():获取祖先元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
- siblings():获取兄弟元素，可以有参数，该参数可以是任何 jQuery 选择器的语法，
from pyquery import PyQuery as pq
html="""
<html>
<head>
</head>
<body>
<h2>This is a heading</h2>
<p class="p1">This is a paragraph.</p>
<p class="p2">This is another paragraph.</p>
<div>
123
<a id="a1" href="http://www.baidu.com">hello</a>
</div>
<input type="Button" >
<input id="user" type="text" >
</body>
"""
###初始化
textParse = pq(html)
# urlParse = pq('http://www.baidu.com') #1
# urlParse = pq(url='http://www.baidu.com') #2
# fileParse = pq(filename="L:\demo.html")
##获取
result = textParse('h2').text()
print(result)
result2= textParse('div').html()
print(result2)
result3=textParse(".p1").text()
print(result3)
result4=textParse("#user").attr("type")
print(result4)
result5=textParse("p,div").text()
print(result5)
result6=textParse("div a").attr.href
print(result6)
result7=textParse("[class='p1']").text()
print(result7)
result8=textParse("p:last").text()
print(result8)
result9=textParse("div").find("a").text()
print(result9)
result12=textParse("p").filter(".p1").text()
print(result12)
result10=textParse("div").children()
print(result10)
result11=textParse("a").parent()
print(result11)6.元素的文本、属性等内容的获取：
attr(attribute):获取属性
result2=textParse("a").attr("href")attr.xxxx:获取属性xxxx
result21=textParse("a").attr.href
result22=textParse("a").attr.class_
result23=textParse("a").attr.id_
result24=textParse("a").attr.valuetext():获取文本，子元素中也仅仅返回文本
result1=textParse("a").text()html():获取html,功能与text类似,但返回html标签
result3=textParse("div").html()补充1：
元素的迭代：如果返回的结果是多个元素，如果想迭代出每个元素，可以使用items():
补充2：pyquery是jquery的python化，语法基本都是相通的，想了解更多，可以参考jquery。
pyquery执行DOM操作、css操作：
DOM操作：
add_class():增加class
remove_class():移除class
remove():删除指定元素
from pyquery import PyQuery as pq
html="""
<html>
<head>
</head>
<body>
<h2>This is a heading</h2>
<p id="p1" class="p1">This is a paragraph.</p>
<p class="p2">This is another paragraph.</p>
<div style="color:blue">
123
<a class="ca" href="http://www.baidu.com">hello</a>
</div>
<input type="Button" >
<input id="user" type="text" >
</body>
"""
textParse=pq(html)
textParse('a').add_class("c1")
print(textParse('a').attr("class"))
textParse('a').remove_class("c1")
print(textParse('a').attr("class"))
print(textParse('div').html())
textParse('div').remove("a")
print(textParse('div').html())css操作：
- attr()：设置属性
- 设置格式：attr("属性名","属性值")
- css()：设置css
- 设置格式1:css("css样式","样式值")
- 格式2：css({"样式1":"样式值","样式2":"样式值"})
from pyquery import PyQuery as pq
html="""
<html>
<head>
</head>
<body>
<h2>This is a heading</h2>
<p id="p1" class="p1">This is a paragraph.</p>
<p class="p2">This is another paragraph.</p>
<div style="color:blue">
123
<a class="ca" href="http://www.baidu.com">hello</a>
</div>
<input type="Button" >
<input id="user" type="text" >
</body>
"""
textParse=pq(html)
textParse('a').attr("name","hehe")
print(textParse('a').attr("name"))
textParse('a').css("color","white")
textParse('a').css({"background-color":"black","postion":"fixed"})
print(textParse('a').attr("style"))这些操作什么时候会被用到：
【有时候可能会将数据样式处理一下再存储下来，就需要用到,比如我获取下来的数据样式我不满意，可以自定义成我自己的格式】
【有时候需要逐层清理再筛选出指定结果，比如<div>123<a></a></div>中，如果仅仅想要获取123就可以先删除<a>再获取】
一个利用pyquery爬取豆瓣新书的例子:
先使用审查元素,定位目标元素
确认爬取信息
要注意的是，豆瓣新书是有一些分在后面页的，实际上目标应该是li的上一级ul：
使用PyQuery筛选出结果：
from pyquery import PyQuery as pq
urlParse=pq(url="https://book.douban.com/")
info=urlParse("div.carousel ul li div.info")
file=open("demo.txt","w",encoding="utf8")
for i in info.items():
title=i.find("div.title")
author=i.find("span.author")
abstract=i.find(".abstract")
file.write("标题:"+title.text()+"\n")
file.write("作者:"+author.text()+"\n")
file.write("概要:"+abstract.text()+"\n")
file.write("-----------------\n")
print("\n")
file.close()相关推荐
javaraylu 2020-05-05
LodbkMi 2019-12-02
bistukey 2019-06-28
kevinweijc 2013-09-28
realitycss 2018-12-07
huang00 2017-05-27
pdsert 2018-08-04
sschencn 2018-06-26
bigsec 2018-02-03
cling00 2017-08-05
qyf 2016-04-24
lispython 2015-04-25
Python探路者 2014-05-13
pythoncream 2014-01-16