不备案怎么做淘宝客网站,网站排名技巧,动易网站后台,搭建好ftp服务器 如何通过网站访问在上一节中#xff0c;我们介绍了Beautiful Soup的用法#xff0c;它是一个非常强大的网页解析库#xff0c;你是否觉得它的一些方法用起来有点不适应#xff1f;有没有觉得它的CSS选择器的功能没有那么强大#xff1f;如果你对Web有所涉及#xff0c;如果你比较喜欢用CS…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html
divulli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/divfrom pyquery import PyQuery as pq
doc pq(html)
print(doc(li))
复制代码运行结果如下li classitem-0first item/li
li classitem-1a hreflink2.htmlsecond item/a/li
li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
li classitem-1 activea hreflink4.htmlfourth item/a/li
li classitem-0a hreflink5.htmlfifth item/a/li
复制代码这里首先引入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from pyquery import PyQuery as pq
doc pq(urlhttp://cuiqingcai.com)
print(doc(title))
复制代码运行结果如下title静觅丨崔庆才的个人博客/title
复制代码这样的话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from pyquery import PyQuery as pq
import requests
doc pq(requests.get(http://cuiqingcai.com).text)
print(doc(title))
复制代码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from pyquery import PyQuery as pq
doc pq(filenamedemo.html)
print(doc(li))
复制代码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html
div idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/divfrom pyquery import PyQuery as pq
doc pq(html)
print(doc(#container .list li))
print(type(doc(#container .list li)))
复制代码运行结果如下li classitem-0first item/li
li classitem-1a hreflink2.htmlsecond item/a/li
li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
li classitem-1 activea hreflink4.htmlfourth item/a/li
li classitem-0a hreflink5.htmlfifth item/a/li
class pyquery.pyquery.PyQuery
复制代码这里我们初始化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)
复制代码运行结果如下class pyquery.pyquery.PyQuery
ul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li
/ul
class pyquery.pyquery.PyQuery
li classitem-0first item/li
li classitem-1a hreflink2.htmlsecond item/a/li
li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
li classitem-1 activea hreflink4.htmlfourth item/a/li
li classitem-0a hreflink5.htmlfifth item/a/li
复制代码首先我们选取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lis items.children()
print(type(lis))
print(lis)
复制代码运行结果如下class pyquery.pyquery.PyQuery
li classitem-0first item/li
li classitem-1a hreflink2.htmlsecond item/a/li
li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
li classitem-1 activea hreflink4.htmlfourth item/a/li
li classitem-0a hreflink5.htmlfifth item/a/li
复制代码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.activelis items.children(.active)
print(lis)
复制代码运行结果如下li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
li classitem-1 activea hreflink4.htmlfourth item/a/li
复制代码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html
div classwrapdiv idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div/divfrom pyquery import PyQuery as pq
doc pq(html)
items doc(.list)
container items.parent()
print(type(container))
print(container)
复制代码运行结果如下class pyquery.pyquery.PyQuery
div idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div
复制代码这里我们首先用.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from pyquery import PyQuery as pq
doc pq(html)
items doc(.list)
parents items.parents()
print(type(parents))
print(parents)
复制代码运行结果如下class pyquery.pyquery.PyQuery
div classwrapdiv idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div/divdiv idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div
复制代码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parent items.parents(.wrap)
print(parent)
复制代码运行结果如下div classwrapdiv idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div/div
复制代码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from pyquery import PyQuery as pq
doc pq(html)
li doc(.list .item-0.active)
print(li.siblings())
复制代码这里首先选择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li classitem-1a hreflink2.htmlsecond item/a/li
li classitem-0first item/li
li classitem-1 activea hreflink4.htmlfourth item/a/li
li classitem-0a hreflink5.htmlfifth item/a/li
复制代码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from pyquery import PyQuery as pq
doc pq(html)
li doc(.list .item-0.active)
print(li.siblings(.active))
复制代码这里我们筛选了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li classitem-1 activea hreflink4.htmlfourth item/a/li
复制代码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from pyquery import PyQuery as pq
doc pq(html)
li doc(.item-0.active)
print(li)
print(str(li))
复制代码运行结果如下li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
复制代码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from pyquery import PyQuery as pq
doc pq(html)
lis doc(li).items()
print(type(lis))
for li in lis:print(li, type(li))
复制代码运行结果如下class generator
li classitem-0first item/li
class pyquery.pyquery.PyQuery
li classitem-1a hreflink2.htmlsecond item/a/li
class pyquery.pyquery.PyQuery
li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
class pyquery.pyquery.PyQuery
li classitem-1 activea hreflink4.htmlfourth item/a/li
class pyquery.pyquery.PyQuery
li classitem-0a hreflink5.htmlfifth item/a/li
class pyquery.pyquery.PyQuery
复制代码可以发现调用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html
div classwrapdiv idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div/divfrom pyquery import PyQuery as pq
doc pq(html)
a doc(.item-0.active a)
print(a, type(a))
print(a.attr(href))
复制代码运行结果如下a hreflink3.htmlspan classboldthird item/span/a class pyquery.pyquery.PyQuery
link3.html
复制代码这里首先选中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print(a.attr.href)
复制代码结果如下link3.html
复制代码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a doc(a)
print(a, type(a))
print(a.attr(href))
print(a.attr.href)
复制代码运行结果如下a hreflink2.htmlsecond item/aa hreflink3.htmlspan classboldthird item/span/aa hreflink4.htmlfourth item/aa hreflink5.htmlfifth item/a class pyquery.pyquery.PyQuery
link2.html
link2.html
复制代码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from pyquery import PyQuery as pq
doc pq(html)
a doc(a)
for item in a.items():print(item.attr(href))
复制代码此时的运行结果如下link2.html
link3.html
link4.html
link5.html
复制代码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html
div classwrapdiv idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div/divfrom pyquery import PyQuery as pq
doc pq(html)
a doc(.item-0.active a)
print(a)
print(a.text())
复制代码运行结果如下a hreflink3.htmlspan classboldthird item/span/a
third item
复制代码这里首先选中一个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from pyquery import PyQuery as pq
doc pq(html)
li doc(.item-0.active)
print(li)
print(li.html())
复制代码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a hreflink3.htmlspan classboldthird item/span/a
复制代码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html
div classwrapdiv idcontainerul classlistli classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div/divfrom pyquery import PyQuery as pq
doc pq(html)
li doc(li)
print(li.html())
print(li.text())
print(type(li.text())
复制代码运行结果如下a hreflink2.htmlsecond item/a
second item third item fourth item fifth item
class str
复制代码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html
div classwrapdiv idcontainerul classlistli classitem-0first item/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1 activea hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div/divfrom 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)
复制代码首先选中了第三个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li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
li classitem-0a hreflink3.htmlspan classboldthird item/span/a/li
li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
复制代码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html
ul classlistli classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
/ulfrom 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(spanchanged item/span)
print(li)
复制代码这里我们首先选中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li classitem-0 activea hreflink3.htmlspan classboldthird item/span/a/li
li classitem-0 active namelinka hreflink3.htmlspan classboldthird item/span/a/li
li classitem-0 active namelinkchanged item/li
li classitem-0 active namelinkspanchanged item/span/li
复制代码可以发现调用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html
div classwrapHello, WorldpThis is a paragraph./p/divfrom pyquery import PyQuery as pq
doc pq(html)
wrap doc(.wrap)
print(wrap.text())
复制代码现在想提取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Hello, World This is a paragraph.
复制代码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:wrap.find(p).remove()
print(wrap.text())
复制代码首先选中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pyquery.readthedocs.io/en/latest/a…。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li doc(li:contains(second))
print(li)
复制代码这里我们使用了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www.w3school.com.cn/css/index.a…。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pyquery.readthedocs.io。我们相信有了它解析网页不再是难事。本资源首发于崔庆才的个人博客静觅 Python3网络爬虫开发实战教程 | 静觅如想了解更多爬虫资讯请关注我的个人微信公众号进击的Coderweixin.qq.com/r/5zsjOyvEZ… (二维码自动识别)
