Class 14 - 3 解析库 -- pyquery

与Beautifu 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。初始化方式有多种，如：直接传入字符串，传入 URL ，传人文件名等。

  1. 初始化
    • 字符串初始化　　 
      • 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></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'))
输出：
        <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>
        View Code

        引PyQuery对象，取别名为 pq。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。传入 li 节点，这样就可 选择所有的 li 节点。　　

    • URL初始化
      • 初始化参数不仅可以以字符串的形式传递，可以传入网页的URL，此时只需要指定参数为 url 即可： 
        from pyquery import PyQuery as pq
doc =pq(url='https://cuiqingcai.com')
print(doc('title'))
输出：
        <title>静觅丨崔庆才的个人博客</title>&#13;
        View Code

        PyQuery 对象会首先请求这个 URL，用得到的 HTML内容完成初始化，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。与以下功能相同：

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

    • 文件初始化

      • 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：

        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 HTML 字符串。它会首先读取本地的文件内容，再用文件内容以字符串形式传递给PyQuery 类来初始化。

  2. 基本CSS选择器
    • pyquery的CSS选择示例： 
      from pyquery import PyQuery as pq
doc =pq('html')
print(doc('#container .list li'))
print(type(doc('#container .list li')))
输出：
      <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>

<class 'pyquery.pyquery.PyQuery'>
      View Code

      初始化 PyQuery 对象后，传入了 CSS 选择器＃container .list li ，意思是先选取 id 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。然后输出，成功获取到了符合条件的节点。 它的类型依然是 PyQuery 类型。

  3. 查找节点

    • 子节点

      • 查找子节点时，需要用到干find（）方法，此时传人的参数是 CSS 选择器。前面的 HTML 为例：

        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)
输出：
        <class 'pyquery.pyquery.PyQuery'>
<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>

<class 'pyquery.pyquery.PyQuery'>
<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>
        View Code

        首先，选取 class 为 list 的节点，再调用了 find（）方法，传入 CSS 选择器，选取其内部 li 节点，最后输出。find（）方法会将符合条件的所有节点选择出来，结果是 PyQuery 类型。

        其实find（）的查找范围是节点的所有子孙节点，如果只想查找子节点，那么可以用 children（）方法：

        lis = items.children()
print(type(lis))
print(lis)
输出：
        <class 'pyquery.pyquery.PyQuery'>
<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>
        View Code

        如果要筛选所有子节点中符合条件的节点，如：筛选出子节点中 class 为 active 节点，可以向 children（）方法传入 CSS 选择器 .active:

        lis = items.children('.active')
print(lis)
输出：
        <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>
        View Code

        输出结果已经做了筛选，留下了 class为 active 的节点。

    • 父节点

      • 可以用 parent（）方法来获取某个节点的父节点，示例：

        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)
输出：
        <class 'pyquery.pyquery.PyQuery'>
<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>
        View Code

        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。

        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　　

        如果想获取某个祖先节点，这时可以用 parents（）方法：

        from pyquery import PyQuery as pq
doc=pq(html)
items=doc('.list')
parents =items.parents()
print(parents)
        输出：
<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><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>
        View Code

        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。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，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：

        from pyquery import PyQuery as pq
doc=pq(html)
items=doc('.list')
parent=items.parents('.wrap')
print(parent)
输出：
        <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>
        View Code

        输出结果只保留了 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。以上面 TML 为例：

        from pyquery import PyQuery as pq
doc =pq(html)
li =doc('.list .item-0.active')
print(li.siblings())
输出：
        <li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-0">first item</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>
        View Code

        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。它的兄弟节点有 4 个，那就是第一、二、四、五个 li 节点。

        如果要筛选某个兄弟节点，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'))
输出：
        <li class="item-1 active"><a href="link4.html">fourth item</a></li>

        筛选了 class 为 active 的节点。

  4. 遍历　　　　

    • pyquery 选择结果可能是多个节点，也可能是单个节点。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：

      from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.item-0.active')
print(li)
print(str(li))
输出：
      <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>

<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
      View Code

      对于多个节点的结果，就需要遍历来获取。如，这里把每一个 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()
for li in lis:
    print(li,type(li))
输出：
      <li class="item-0">first item</li>
 <class 'pyquery.pyquery.PyQuery'>
<li class="item-1"><a href="link2.html">second item</a></li>
 <class 'pyquery.pyquery.PyQuery'>
<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
 <class 'pyquery.pyquery.PyQuery'>
<li class="item-1 active"><a href="link4.html">fourth item</a></li>
 <class 'pyquery.pyquery.PyQuery'>
<li class="item-0"><a href="link5.html">fifth item</a></li>
 <class 'pyquery.pyquery.PyQuery'>
      View Code

      调用 items（）方法后, 会得到生成器, 遍历, 可以逐个得到 li 节点，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，如：继续查询子节点，寻找某个祖先节点等。

  5. 获取信息　　

    • 提取节后，最终目是提取节点所包含的信息。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'))
输出：
        <a href="link3.html"><span class="bold">third item</span></a> <class 'pyquery.pyquery.PyQuery'>
link3.html
        View Code

        首先选中 class 为 item-0 和 active 的 li 节点内的 a 节点，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。

        也可以通过调用 attr 属性来获取属性，用法： 
        print(a.attr.href)
输出：
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： 
        from pyquery import PyQuery as pq
doc = pq(html)
a = doc('a')
print(a,type(a))
print(a.attr('href'))
print(a.attr.href)
输出：
        <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'>
link2.html
link2.html
        View Code

        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。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。

        遇到这种情况，如果想获取所有的 a 节点的属性，就要用到前面的遍历： 
        from pyquery import PyQuery as pq
doc =pq(html)
a= doc('a')
for item in a.items():
    print(item.attr('href'))
输出：
        link2.html
link3.html
link4.html
link5.html
        View Code

        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， 需要遍历才能依次获取每个节点的属性。

    • 获取文本
      • 获取节点后的另一个主要操作就是获取其内部的文本，此时可以调用 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()
输出：
        <a href="link3.html"><span class="bold">third item</span></a>
third item
        View Code

        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

        如果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())
输出：
        <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>

<a href="link3.html"><span class="bold">third item</span></a>
        View Code

        这里我们选中了第三个 li 节点，然后调用了 html（）方法，返回的结果应该是 li 节点内的所有 HTML 文本。

        如果选中的结果是多个节点， text（）或 html（）返回结果各不相同，实例： 
        from pyquery import PyQuery as pq
doc = pq(html)
li =doc('li')
print(li.html())
print(li.text())
print(type(li.text()))
输出：
        first item
first item second item third item fourth item fifth item
<class 'str'>
        View Code

        html（）方法返回的是第一个 li 节点的内部 HTML 文本，而 text（）返回所有 li 节点内部的纯文本，中间用 个空格分割开，即返回结果是一个字符串。

        注意：如果得到的结果是多个节点，且想要获取每个节点的内部 HTML 文本， 则需要遍历每个节点。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。
  6. 节点操作
    • pyquery 提供了一系列方法来对节点进行动态修改，如为某个节点添加一个 class，移除某个节点等，例：
    • addClass（）和 removeClass（）方法可以动态改变节点的 class 属性。 
      • from pyquery import PyQuery as pq
doc = pq(html)
li = doc('.item-0.active')
print(li)
li.removeClass('active')
print(li)
li.addClass('active')
print(li)
输出：
        <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>

<li class="item-0"><a href="link3.html"><span class="bold">third item</span></a></li>

<li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
        View Code

        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，后来在调用 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。

    • attr()、text() 和 html() 方法对属性进行操作，来改变节点内部的内容。 示例:　

      • 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； 如果传人参数，则进行赋值。

      • 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)
输出：
        <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>

<li class="item-0 active" name="link"><a href="link3.html"><span class="bold">third item</span></a></li>

<li class="item-0 active" name="link">changed item</li>

<li class="item-0 active" name="link"><span>changed item</span></li>
        View Code

        首先选中 li 节点，然后调用 attr（）方法来修改属性，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。

        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，传人文本之后， li 节点内部的文本全被改为传人的字符串文本了。 最后，调用 html() 方法传人 HTML 文本后 li 节点内部又变为传人的 HTML 文本了。

    • remove（） 
      • 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())
输出：
        Hello,World
This is a paragraph.
        View Code

        因为text（）把所有的存文本都提取出来，如果需要提取Hello，world这个字符串，而不需要P节点内部的字符串，可使用remove.

        from pyquery import PyQuery as  pq
doc =pq(html)
wrap = doc('.wrap')
wrap.find('p').remove()
print(wrap.text())
输出：
Hello,World

        首先选中 p 节点，然后调用了 remove（）方法将其移除，这时 wrap 内部就只剩下 Hello, World 这句话了，再利用 text（）方法提取即可。 

        实还有很多节点操作的方法，比如 append（）、 empty（）和 prepend（）等方法， 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
  7. 伪类选择器
    • CSS 选择器之所以强大，就是它支持多种多样的伪类选择器，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： 
      from pyquery import PyQuery as pq
doc = pq(html)
li=doc('li:first-child')
print(li)
li =doc('li:last-child')
print(li)
li=doc('li:nth-child(2)')
print(li)
li=doc('li:gt(2)')
print(li)
li=doc('li:nth-child(2n)')
print(li)
li=doc('li:contains(second)')
print(li)
输出：
      <li class="item-0">first item</li>

<li class="item-0"><a href="link5.html">fifth item</a></li>

<li class="item-1"><a href="link2.html">second item</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>

<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-1 active"><a href="link4.html">fourth item</a></li>

<li class="item-1"><a href="link2.html">second item</a></li>
      View Code

      这里使用 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。
      更多内容，可以参考 pyquery 的官方文 档： http://pyquery.readthedocs.io

      　　　　　　　　　　

 

posted @ 2018-12-13 15:46  独行头狼  阅读(254)  评论(0)  编辑  收藏  举报