前言
Python关于爬虫的库挺多的，也各有所长。了解前端的也都知道， jQuery 能够通过选择器精确定位 DOM 树中的目标并进行操作，所以我想如果能用 jQuery 去爬网页那就 cool 了。
就搜了下看 Python 有没有与 DOM 相关的库什么的，还真找到了——PyQuery ！
PyQuery简介
pyquery相当于jQuery的python实现，可以用于解析HTML网页等。它的语法与jQuery几乎完全相同，对于使用过jQuery的人来说很熟悉，也很好上手。
引用作者的原话就是：
“The API is as much as possible the similar to jquery.” 。
安装
使用 pip 或者 easy_install 都可以。
注意：由于 pyquery 依赖于 lxml ，要先安装 lxml ，否则会提示失败。
- 安装lxml：https://pypi.python.org/pypi/lxml/2.3/ (建议直接下载安装包，方便快捷)；
- 安装pyquery：
easy_install pyquery或者pip install pyquery； - 验证：输入
import pyquery回车不报错即安装成功；
初始化
有 4 种方法可以进行初始化：
可以通过传入 字符串、lxml、文件 或者 url 来使用PyQuery。
1 2 3 4 5 6 7 | from pyquery import PyQuery as pq from lxml import etree d = pq("<html></html>") #传入字符串 d = pq(etree.fromstring("<html></html>")) #传入lxml d = pq(url='http://google.com/') #传入url d = pq(filename=path_to_html_file) #传入文件 |
现在，d 就像 jQuery 中的 $ 一样了。
示例
通过一个简单的例子快速熟悉 pyquery 的用法，传入文件 example.html，内容如下：
1 2 3 4 5 6 7 8 9 10 11 12 | <div> <tr class="item-0"> <td>first section</td> <td>1111</td> <td>17-01-28 22:51</td> </tr> <tr class="item-1"> <td>second section</td> <td>2222</td> <td>17-01-28 22:53</td> </tr> </div> |
python 程序：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | # -*- coding: utf-8 -*- from pyquery import PyQuery as pq #引入 PyQuery doc = pq(filename='hello.html') # 传入文件 hello.html print doc.html() # html()方法获取当前选中的 html 块 print doc('.item-1') # 相当于 class 选择器，选取 class 为 item-1 的 html 块 data = doc('tr') # 选取 <tr> 元素 for tr in data.items(): # 遍历 data 中的 <tr> 元素 temp = tr('td').eq(2).text() # 选取第3个 <td> 元素中的文本块 print temp |
运行结果：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 | # print doc.html() <tr class="item-0"> <td>first section</td> <td>1111</td> <td>17-01-28 22:51</td> </tr> <tr class="item-1"> <td>second section</td> <td>2222</td> <td>17-01-28 22:53</td> </tr> # print doc('.item-1') <tr class="item-1"> <td>second section</td> <td>2222</td> <td>17-01-28 22:53</td> </tr> # print tr('td').eq(2).text() 17-01-28 22:51 # print tr('td').eq(2).text() 17-01-28 22:53 |
操作
1. .html() 和 .text()：获取相应的 HTML 块或者文本内容，
1 2 3 4 5 6 7 8 9 | p=pq("<head><title>Hello World!</title></head>") print p('head').html() # 获取相应的 HTML 块 print p('head').text() # 获取相应的文本内容 '''输出： <title>hello</title> Hello World! ''' |
2..('selector') ：通过选择器来获取目标内容，
1 2 3 4 5 6 7 8 9 10 11 | d = pq("<div><p id='item-0'>test 1</p><p class='item-1'>test 2</p></div>") print d('div').html() # 获取 <div> 元素内的 HTML 块 print d('#item-0').text() # 获取 id 为 item-0 的元素内的文本内容 print d('.item-1').text() # 获取 class 为 item-1 的元素的文本内容 '''输出： <p id="item-0">test 1</p><p class="item-1">test 2</p> test 1 test 2 ''' |
3..eq(index) ：根据索引号获取指定元素（index 从 0 开始），
1 2 3 4 5 6 7 | d = pq("<div><p id='item-0'>test 1</p><p class='item-1'>test 2</p></div>") print d('p').eq(1).text() # 获取第二个 p 元素的文本内容， '''输出 test 2 ''' |
4..find() ：查找嵌套元素，
1 2 3 4 5 6 7 8 9 | d = pq("<div><p id='item-0'>test 1</p><p class='item-1'>test 2</p></div>") print d('div').find('p') # 查找 <div> 内的 p 元素 print d('div').find('p').eq(0) # 查找 <div> 内的 p 元素，输出第一个 p 元素 '''输出： <p id="item-0">test 1</p><p class="item-1">test 2</p> <p id="item-0">test 1</p> ''' |
5..filter() ：根据 class、id 筛选指定元素，
1 2 3 4 5 6 7 8 9 | d = pq("<div><p id='item-0'>test 1</p><p class='item-1'>test 2</p></div>") print d('p').filter('.item-1') # 查找 class 为 item-1 的 p 元素 print d('p').filter('#item-0') # 查找 id 为 item-0 的 p 元素 '''输出： <p class="item-1">test 2</p> <p id="item-0">test 1</p> ''' |
6..attr() ：获取、修改属性值，
1 2 3 4 5 6 7 8 9 | d = pq("<div><p id='item-0'>test 1</p><a class='item-1'>test 2</p></div>") print d('p').attr('id') # 获取 <p> 标签的属性 id print d('a').attr('class','new') # 修改 <a> 标签的 class 属性为 new '''输出： item-0 <a class="new">test 2</a> ''' |
7.其他操作：
.addClass(value) ：添加 class；
.hasClass(name) ：判断是否包含指定的 class，返回 True 或 False；
.children() ：获取子元素；
.parents()：获取父元素；
.next() ：获取下一个元素；
.nextAll() ：获取后面全部元素块；
.not_('selector') ：获取所有不匹配该选择器的元素；
for i in d.items('li'): print i.text() ：遍历 d 中的 li 元素；
结语
以上的操作对于日常爬取一些小数据资料，基本足够使用了。当然，PyQuery 还有很多其他内容，这里就不做说明了，如果需要了解更多关于 PyQuery 的内容的可以去查看官方文档。
官方文档是英文的，但也比较容易阅读和理解。我找到了一个中文的教程网站，这里也提供出来。
官方文档：https://pythonhosted.org/pyquery/index.html#
中文教程：http://www.geoinformatics.cn/lab/pyquery/
Go 2 Think 原创文章，转载请注明来源及原文链接
