1.pyquery库的了解

pyquery库是jQuery的Python实现，能够以jQuery的语法来操作解析 HTML 文档，易用性和解析速度都很好。

image

1.1 pyquery库的安装方法:

在cmd输入:pip install pyquery

1.2 pyquery库的引用:(注意大小写)

from pyquery import PyQuery as pq

2.pyquery初始化

像BeautifulSoup一样，PyQuery初始化的时候也需要传入HTML数据源来初始化一个操作对象，它的初始化方式有多种，比如直接传入字符串，传入URL，传文件名。下面我们来详细介绍一下。

2.1直接传入字符串

在这里我们首先引入了PyQuery这个对象，取别名为pq，然后声明了一个长HTML字符串，当作参数传递给PyQuery，这样就成功完成了初始化，然后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，打印输出可以看到所有的li节点的HTML文本。

html = '''

'''

>>> from pyquery import PyQuery as pq

>>> doc=pq(html)

>>> print(doc("li"))

first itemsecond itemthird itemfourth itemfifth item

2.2传入URL

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，在这里只需要指定参数为url即可。

>>> from pyquery import PyQuery as pq

>>> doc=pq(url="http://www.baidu.com")

>>> print(doc("head"))#输出head标签

ç�¾åº¦ä¸�ä¸�ï¼�ä½ å°±ç�¥é��

这样的话PyQuery会首先请求这个URL，然后用得到的HTML内容完成初始化，其实就相当于我们用网页的源代码以字符串的形式传递给PyQuery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://www.baidu.com").text)

>>> print(doc("head"))

ç�¾åº¦ä¸�ä¸�ï¼�ä½ å°±ç�¥é��

>>>

2.3传文件名

当然除了传递一个URL，还可以传递本地的文件名，参数指定为filename即可。

image

当然在这里需要有一个本地HTML文件demo.html，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来初始化。

以上三种初始化方式均可，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

从这一节开始，我们就要对PyQuery对象进行操作，获得我们想要的各种数据。你会看到解析网页，不论什么库，基本原理实际上是没有区别的，学会了一种解析库。再看其他解析库文档，是很容易理解的。

在 CSS 中，选择器是一种模式，用于选择需要添加样式的元素。

image

本文只讲clas id 和element最常见的css选择器。对css不太懂了，也没关系，可以去w3c的css选择器

html = '''

'''

在这里我们初始化PyQuery对象之后，传入了一个CSS选择器，#container .list li，意思是选取id为container的节点内部的class为list的节点内部的所有li节点。然后打印输出，可以看到成功获取到了符合条件的节点。

然后我们将它的类型打印输出，可以看到它的类型依然是PyQuery类型。有层级的关系需要用空格隔开.

>>> from pyquery import PyQuery as pq

>>> doc=pq(html)

>>> print(doc("#container .list li"))

first itemsecond itemthird itemfourth itemfifth item

4.查找元素

下面我们介绍一些常用的查询函数，这些函数和jQuery中的函数用法也完全相同。

html = '''

'''

4.1子元素

查找子节点需要用到find()方法，传入的参数是CSS选择器，我们还是以上面的HTML为例。可以使用层层嵌套的方式.

'''

>>> from pyquery import PyQuery as pq

>>> doc=pq(html)

>>> items=doc(".list")

>>> print(type(items))

>>> print(items)

• first item
• second item
• third item
• fourth item
• fifth item

>>> list=items.find("li")

>>> print(type(list))

>>> print(list)

first itemsecond itemthird itemfourth itemfifth item

首先我们选取了class为list的节点，然后我们调用了find()方法，传入了CSS选择器，选取其内部的li节点，最后都打印输出即可观察到对应的查询结果，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，那可以用children()方法。

>>> list = items.children()

>>> print(type(list))

>>> print(list)

first itemsecond itemthird itemfourth itemfifth item

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

>>> list = items.children('.active')

>>> print(list)

third itemfourth item

4.2父元素

4.2.1parent()方法

我们可以用parent()方法来获取某个节点的父节点，我们用一个实例来感受一下：

html = '''

'''

以下案例分析:

在这里我们首先用.list选取了class为list的节点，然后调用了parent()方法，得到其父节点，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。

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> items = doc('.list')

>>> container = items.parent()

>>> print(type(container))

>>> print(container)

4.2.2parents()方法

以下案例:但是如果我们想获取某个祖先节点怎么办呢？可以用parents()方法。

html = '''

'''

parents查找所有的父亲节点,返回两个结果.

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> items = doc('.list')

>>> parents = items.parents()

>>> print(type(parents))

>>> print(parents)

parents可进行再次筛选

>>> parent = items.parents('.wrap')

>>> print(parent)

>>>

4.3兄弟元素

在上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。我们还是以上面的HTML代码为例来感受一下：

html = '''

'''

属性没有加空格表表示同一个标签列里面,是并列的意思.在这里我们首先选择了class为list的节点内部的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四个，那就是第一、二、四、五个li节点。可以看到运行结果也正是我们刚才所说的四个兄弟节点。

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> li = doc('.list .item-0.active')

>>> print(li.siblings())

second itemfirst itemfourth itemfifth item

果要筛选某个兄弟节点，我们依然可以向方法传入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。

在这里我们筛选了class为active的节点，通过刚才的结果我们可以观察到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,如下:

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> li = doc('.list .item-0.active')

>>> print(li.siblings('.active'))

fourth item

5.遍历

我们刚才可以观察到，PyQuery的选择结果可能是多个节点，可能是单个节点，类型都是PyQuery类型，并没有返回像BeautifulSoup一样的列表。

html = '''

'''

5.1单个元素

对于单个节点来说，我们可以直接打印输出，也可直接转成字符串。

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> li = doc('.item-0.active')

>>> print(li)

third item

5.2多个元素

如下案例:

对于多个节点的结果，我们就需要遍历来获取了，例如这里我们把每一个li节点进行遍历,，需要调用items()方法。

在这里我们可以发现调用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，所以每个li标签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等，非常灵活。

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> lis=doc("li").items()

>>> print(type(list))

>>> for li in lis:

print(li)

first itemsecond itemthird itemfourth itemfifth item

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，下面我们分别进行说明。

html = '''

'''

6.1获取属性

提取到某个PyQuery类型的节点之后，我们可以调用attr()方法来获取属性,有两种方式可以进行获取,如下:

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> a = doc('.item-0.active a')#这里有个空格,则选择里面的标签

>>> print(a)

third item

>>> print(a.attr('href'))#方法一

link3.html

>>> print(a.attr.href)#方法二

link3.html

注意:

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。

在进行属性获取的时候观察一下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。

6.2获取文本

获取节点之后的另一个主要的操作就是获取其内部的文本了，我们可以调用text()方法来获取

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> a = doc('.item-0.active a')

>>> print(a)

third item

>>> print(a.text())

third item

我们首先选中了一个a节点，然后调用了text()方法，就可以获取其内部的文本信息了，它会忽略掉标签内部包含的所有HTML，只返回纯文字内容。

6.3获取HTML

但如果我们想要获取这个节点内部的HTML文本，就可以用html()方法。

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> li = doc('.item-0.active')

>>> print(li)

third item

>>> print(li.html())

third item

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标签内的所有HTML文本。

6.4获取属性/文本/HTML总结

注意: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？

我们选中的是所有的li节点，可以发现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节点内部纯文本，中间用一个空格分割开，实际上是一个字符串。

如果我们得到的结果是多个节点，如果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，它是将所有节点取文本之后合并成一个字符串。

7.DOM操作

PyQuery提供了一系列方法来对节点进行动态修改操作，比如为某个节点添加一个class，移除某个节点等等，这些操作有时候会为提取信息带来极大的便利。

html = '''

'''

7.1addClass、removeClass

首先我们选中了第三个li节点，然后调用了removeClass()方法，将li的active这个class移除，后来又调用了addClass()方法，又将class添加回来，每执行一次操作，就打印输出一下当前li节点的内容。

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> li = doc('.item-0.active')

>>> print(li)

third item

>>> li.removeClass('active')#[

]

>>> print(li)

third item

>>> li.addClass('active')#[

]

>>> print(li)

third item

可以看到一共进行了三次输出，第二次输出li标签的active这个class被移除了，第三次class又添加回来了。

所以说我们addClass()、removeClass()这些方法可以动态地改变节点的class属性。

7.2attr、css

7.2.1attr

当然除了操作class这个属性，也有attr()方法来专门针对属性进行操作

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> li = doc('.item-0.active')

>>> print(li)

third item

>>> li.attr('name', 'link')#[

]

>>> print(li)

third item

在这里我们首先选中了li标签，然后调用attr()方法来修改/增加属性，第一个参数为属性名，第二个参数为属性值.如原来存在,则修改属性值,如不存在,则增加.

7.2.2css

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> li = doc('.item-0.active')

>>> print(li)

third item

>>> li.css('font-size', '14px')#[

]

>>> print(li)

third item

7.3remove

remove顾名思义移除，remove()方法有时会为信息的提取带来非常大的便利。这个用的比较频繁下面我们看一个实例：

html = '''

'''

在这里有一段HTML文本，我们现在想提取Hello, World这个字符串，而不要p节点内部的字符串，这个怎样来提取？

>>> from pyquery import PyQuery as pq

>>> doc = pq(html)

>>> wrap = doc('.wrap')

>>> print(wrap.text())

Hello, World

This is a paragraph.

>>> wrap.find('p').remove()#[

]

>>> print(wrap.text())

Hello, World

注意:

在这里我们直接先尝试提取class为wrap的节点的内容，看看是不是我们想要的，运行结果是Hello, World,This is a paragraph.

然而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繁琐。

那这是remove()方法就可以派上用场了，我们可以接着这么做,我们首先选中了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。

所以说，remove()方法可以删除某些冗余内容，来方便我们的提取。在适当的时候使用可以极大地提高效率。

其他DOM方法

另外其实还有很多节点操作的方法，比如append()、empty()、prepend()等方法，他们和jQuery的用法是完全一致的，详细的用法可以看到官方文档。

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等，我们用一个实例感受一下：

html = '''

'''

计数是从0开始的

from pyquery import PyQuery as pq

doc = pq(html)

li = doc('li:first-child')#节点、第一个

print(li)

li = doc('li:last-child')#节点、最后一个

print(li)

li = doc('li:nth-child(2)')#节点、第二个

print(li)

li = doc('li:gt(2)')#获取序号比2大的标签

print(li)

li = doc('li:nth-child(2n)')#获取偶数的标签,2n+1则是获得奇数

print(li)

li = doc('li:contains(second)')#包含second文本的

print(li)

first itemfifth itemsecond itemfourth itemfifth itemsecond itemfourth itemsecond item