【Python3網路爬蟲開發實戰】4.3-使用pyquery

在上一節中，我們介紹了Beautiful Soup的用法，它是一個非常強大的網頁解析庫，你是否覺得它的一些方法用起來有點不適應？有沒有覺得它的CSS選擇器的功能沒有那麼強大？

如果你對Web有所涉及，如果你比較喜歡用CSS選擇器，如果你對jQuery有所了解，那麼這裡有一個更適合你的解析庫——pyquery。

接下來，我們就來感受一下pyquery的強大之處。

1. 準備工作

在開始之前，請確保已經正確安裝好了pyquery。若沒有安裝，可以參考第1章的安裝過程。

2. 初始化

像Beautiful Soup一樣，初始化pyquery的時候，也需要傳入HTML文本來初始化一個PyQuery對象。它的初始化方式有多種，比如直接傳入字元串，傳入URL，傳入文件名，等等。下面我們來詳細介紹一下。

字元串初始化

首先，我們用一個實例來感受一下：

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></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>from pyquery import PyQuery as pqdoc = pq(html)print(doc(li))

運行結果如下：

<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>

這裡首先引入PyQuery這個對象，取別名為pq。然後聲明了一個長HTML字元串，並將其當作參數傳遞給PyQuery類，這樣就成功完成了初始化。接下來，將初始化的對象傳入CSS選擇器。在這個實例中，我們傳入li節點，這樣就可以選擇所有的li節點。

URL初始化

初始化的參數不僅可以以字元串的形式傳遞，還可以傳入網頁的URL，此時只需要指定參數為url即可：

from pyquery import PyQuery as pqdoc = pq(url=http://cuiqingcai.com)print(doc(title))

運行結果如下：

<title>靜覓丨崔慶才的個人博客</title>

這樣的話，PyQuery對象會首先請求這個URL，然後用得到的HTML內容完成初始化，這其實就相當於用網頁的源代碼以字元串的形式傳遞給PyQuery類來初始化。

它與下面的功能是相同的：

from pyquery import PyQuery as pqimport requestsdoc = pq(requests.get(http://cuiqingcai.com).text)print(doc(title))

文件初始化

當然，除了傳遞URL，還可以傳遞本地的文件名，此時將參數指定為filename即可：

from pyquery import PyQuery as pqdoc = pq(filename=demo.html)print(doc(li))

當然，這裡需要有一個本地HTML文件demo.html，其內容是待解析的HTML字元串。這樣它會首先讀取本地的文件內容，然後用文件內容以字元串的形式傳遞給PyQuery類來初始化。

以上3種初始化方式均可，當然最常用的初始化方式還是以字元串形式傳遞。

3. 基本CSS選擇器

首先，用一個實例來感受pyquery的CSS選擇器的用法：

html = <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>from pyquery import PyQuery as pqdoc = pq(html)print(doc(#container .list li))print(type(doc(#container .list li)))

運行結果如下：

<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>

這裡我們初始化PyQuery對象之後，傳入了一個CSS選擇器#container .list li，它的意思是先選取id為container的節點，然後再選取其內部的class為list的節點內部的所有li節點。然後，列印輸出。可以看到，我們成功獲取到了符合條件的節點。

最後，將它的類型列印輸出。可以看到，它的類型依然是PyQuery類型。

4. 查找節點

下面我們介紹一些常用的查詢函數，這些函數和jQuery中函數的用法完全相同。

子節點

查找子節點時，需要用到find()方法，此時傳入的參數是CSS選擇器。這裡還是以前面的HTML為例：

from pyquery import PyQuery as pqdoc = pq(html)items = doc(.list)print(type(items))print(items)lis = items.find(li)print(type(lis))print(lis)

運行結果如下：

<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>

首先，我們選取class為list的節點，然後調用了find()方法，傳入CSS選擇器，選取其內部的li節點，最後列印輸出。可以發現，find()方法會將符合條件的所有節點選擇出來，結果的類型是PyQuery類型。

其實find()的查找範圍是節點的所有子孫節點，而如果我們只想查找子節點，那麼可以用children()方法：

lis = items.children()print(type(lis))print(lis)

運行結果如下：

<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>

如果要篩選所有子節點中符合條件的節點，比如想篩選出子節點中class為active的節點，可以向children()方法傳入CSS選擇器.active：

lis = items.children(.active)print(lis)

運行結果如下：

<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>

可以看到，輸出結果已經做了篩選，留下了class為active的節點。

父節點

我們可以用parent()方法來獲取某個節點的父節點，示例如下：

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 pqdoc = pq(html)items = doc(.list)container = items.parent()print(type(container))print(container)

運行結果如下：

<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>

這裡我們首先用.list選取class為list的節點，然後調用parent()方法得到其父節點，其類型依然是PyQuery類型。

這裡的父節點是該節點的直接父節點，也就是說，它不會再去查找父節點的父節點，即祖先節點。

但是如果想獲取某個祖先節點，該怎麼辦呢？這時可以用parents()方法：

from pyquery import PyQuery as pqdoc = pq(html)items = doc(.list)parents = items.parents()print(type(parents))print(parents)

運行結果如下：

<class pyquery.pyquery.PyQuery><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>

可以看到，輸出結果有兩個：一個是class為wrap的節點，一個是id為container的節點。也就是說，parents()方法會返回所有的祖先節點。

如果想要篩選某個祖先節點的話，可以向parents()方法傳入CSS選擇器，這樣就會返回祖先節點中符合CSS選擇器的節點：

parent = items.parents(.wrap)print(parent)

運行結果如下：

<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>

可以看到，輸出結果少了一個節點，只保留了class為wrap的節點。

兄弟節點

前面我們說明了子節點和父節點的用法，還有一種節點，那就是兄弟節點。如果要獲取兄弟節點，可以使用siblings()方法。這裡還是以上面的HTML代碼為例：

from pyquery import PyQuery as pqdoc = pq(html)li = doc(.list .item-0.active)print(li.siblings())

這裡首先選擇class為list的節點內部class為item-0和active的節點，也就是第三個li節點。那麼，很明顯，它的兄弟節點有4個，那就是第一、二、四、五個li節點。

運行結果如下：

<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>

可以看到，這正是我們剛才所說的4個兄弟節點。

如果要篩選某個兄弟節點，我們依然可以向siblings方法傳入CSS選擇器，這樣就會從所有兄弟節點中挑選出符合條件的節點了：

from pyquery import PyQuery as pqdoc = pq(html)li = doc(.list .item-0.active)print(li.siblings(.active))

這裡我們篩選了class為active的節點，通過剛才的結果可以觀察到，class為active的兄弟節點只有第四個li節點，所以結果應該是一個。

我們再看一下運行結果：

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

5. 遍歷

剛才可以觀察到，pyquery的選擇結果可能是多個節點，也可能是單個節點，類型都是PyQuery類型，並沒有返回像Beautiful Soup那樣的列表。

對於單個節點來說，可以直接列印輸出，也可以直接轉成字元串：

from pyquery import PyQuery as pqdoc = pq(html)li = doc(.item-0.active)print(li)print(str(li))

運行結果如下：

<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>

對於多個節點的結果，我們就需要遍歷來獲取了。例如，這裡把每一個li節點進行遍歷，需要調用items()方法：

from pyquery import PyQuery as pqdoc = pq(html)lis = doc(li).items()print(type(lis))for li in lis: print(li, type(li))

運行結果如下：

<class generator><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>

可以發現，調用items()方法後，會得到一個生成器，遍歷一下，就可以逐個得到li節點對象了，它的類型也是PyQuery類型。每個li節點還可以調用前面所說的方法進行選擇，比如繼續查詢子節點，尋找某個祖先節點等，非常靈活。

6. 獲取信息

提取到節點之後，我們的最終目的當然是提取節點所包含的信息了。比較重要的信息有兩類，一是獲取屬性，二是獲取文本，下面分別進行說明。

獲取屬性

提取到某個PyQuery類型的節點後，就可以調用attr()方法來獲取屬性：

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 pqdoc = pq(html)a = doc(.item-0.active a)print(a, type(a))print(a.attr(href))

運行結果如下：

<a href="link3.html"><span class="bold">third item</span></a> <class pyquery.pyquery.PyQuery>link3.html

這裡首先選中class為item-0和active的li節點內的a節點，它的類型是PyQuery類型。

然後調用attr()方法。在這個方法中傳入屬性的名稱，就可以得到這個屬性值了。

此外，也可以通過調用attr屬性來獲取屬性，用法如下：

print(a.attr.href)

結果如下：

link3.html

這兩種方法的結果完全一樣。

如果選中的是多個元素，然後調用attr()方法，會出現怎樣的結果呢？我們用實例來測試一下：

a = doc(a)print(a, type(a))print(a.attr(href))print(a.attr.href)

運行結果如下：

<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.htmllink2.html

照理來說，我們選中的a節點應該有4個，而且列印結果也應該是4個，但是當我們調用attr()方法時，返回結果卻只是第一個。這是因為，當返回結果包含多個節點時，調用attr()方法，只會得到第一個節點的屬性。

那麼，遇到這種情況時，如果想獲取所有的a節點的屬性，就要用到前面所說的遍歷了：

from pyquery import PyQuery as pqdoc = pq(html)a = doc(a)for item in a.items(): print(item.attr(href))

此時的運行結果如下：

link2.htmllink3.htmllink4.htmllink5.html

因此，在進行屬性獲取時，可以觀察返回節點是一個還是多個，如果是多個，則需要遍歷才能依次獲取每個節點的屬性。

獲取文本

獲取節點之後的另一個主要操作就是獲取其內部的文本了，此時可以調用text()方法來實現：

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 pqdoc = pq(html)a = doc(.item-0.active a)print(a)print(a.text())

運行結果如下：

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

這裡首先選中一個a節點，然後調用text()方法，就可以獲取其內部的文本信息。此時它會忽略掉節點內部包含的所有HTML，只返回純文字內容。

但如果想要獲取這個節點內部的HTML文本，就要用html()方法了：

from pyquery import PyQuery as pqdoc = pq(html)li = doc(.item-0.active)print(li)print(li.html())

這裡我們選中了第三個li節點，然後調用了html()方法，它返回的結果應該是li節點內的所有HTML文本。

運行結果如下：

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

這裡同樣有一個問題，如果我們選中的結果是多個節點，text()或html()會返回什麼內容？我們用實例來看一下：

html = <div class="wrap"> <div id="container"> <ul class="list"> <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 pqdoc = pq(html)li = doc(li)print(li.html())print(li.text())print(type(li.text())

運行結果如下：

<a href="link2.html">second item</a>second item third item fourth item fifth item<class str>

結果可能比較出乎意料，html()方法返回的是第一個li節點的內部HTML文本，而text()則返回了所有的li節點內部的純文本，中間用一個空格分割開，即返回結果是一個字元串。

所以這個地方值得注意，如果得到的結果是多個節點，並且想要獲取每個節點的內部HTML文本，則需要遍歷每個節點。而text()方法不需要遍歷就可以獲取，它將所有節點取文本之後合併成一個字元串。

7. 節點操作

pyquery提供了一系列方法來對節點進行動態修改，比如為某個節點添加一個class，移除某個節點等，這些操作有時候會為提取信息帶來極大的便利。

由於節點操作的方法太多，下面舉幾個典型的例子來說明它的用法。

addClass和removeClass

我們先用實例來感受一下：

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 pqdoc = pq(html)li = doc(.item-0.active)print(li)li.removeClass(active)print(li)li.addClass(active)print(li)

首先選中了第三個li節點，然後調用removeClass()方法，將li節點的active這個class移除，後來又調用addClass()方法，將class添加回來。每執行一次操作，就列印輸出當前li節點的內容。

運行結果如下：

<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>

可以看到，一共輸出了3次。第二次輸出時，li節點的active這個class被移除了，第三次class又添加回來了。

所以說，addClass()和removeClass()這些方法可以動態改變節點的class屬性。

attr、text和html

當然，除了操作class這個屬性外，也可以用attr()方法對屬性進行操作。此外，還可以用text()和html()方法來改變節點內部的內容。示例如下：

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 pqdoc = 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)

這裡我們首先選中li節點，然後調用attr()方法來修改屬性，其中該方法的第一個參數為屬性名，第二個參數為屬性值。接著，調用text()和html()方法來改變節點內部的內容。三次操作後，分別列印輸出當前的li節點。

運行結果如下：

<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>

可以發現，調用attr()方法後，li節點多了一個原本不存在的屬性name，其值為link。接著調用text()方法，傳入文本之後，li節點內部的文本全被改為傳入的字元串文本了。最後，調用html()方法傳入HTML文本後，li節點內部又變為傳入的HTML文本了。

所以說，如果attr()方法只傳入第一個參數的屬性名，則是獲取這個屬性值；如果傳入第二個參數，可以用來修改屬性值。text()和html()方法如果不傳參數，則是獲取節點內純文本和HTML文本；如果傳入參數，則進行賦值。

remove()

顧名思義，remove()方法就是移除，它有時會為信息的提取帶來非常大的便利。下面有一段HTML文本：

html = <div class="wrap"> Hello, World <p>This is a paragraph.</p> </div>from pyquery import PyQuery as pqdoc = pq(html)wrap = doc(.wrap)print(wrap.text())

現在想提取Hello, World這個字元串，而不要p節點內部的字元串，需要怎樣操作呢？

這裡直接先嘗試提取class為wrap的節點的內容，看看是不是我們想要的。運行結果如下：

Hello, World This is a paragraph.

這個結果還包含了內部的p節點的內容，也就是說text()把所有的純文本全提取出來了。如果我們想去掉p節點內部的文本，可以選擇再把p節點內的文本提取一遍，然後從整個結果中移除這個子串，但這個做法明顯比較煩瑣。

這時remove()方法就可以派上用場了，我們可以接著這麼做:

wrap.find(p).remove()print(wrap.text())

首先選中p節點，然後調用了remove()方法將其移除，然後這時wrap內部就只剩下Hello, World這句話了，然後再利用text()方法提取即可。

另外，其實還有很多節點操作的方法，比如append()、empty()和prepend()等方法，它們和jQuery的用法完全一致，詳細的用法可以參考官方文檔：http://pyquery.readthedocs.io/en/latest/api.html。

8. 偽類選擇器

CSS選擇器之所以強大，還有一個很重要的原因，那就是它支持多種多樣的偽類選擇器，例如選擇第一個節點、最後一個節點、奇偶數節點、包含某一文本的節點等。示例如下：

li = doc(li:contains(second))print(li)

這裡我們使用了CSS3的偽類選擇器，依次選擇了第一個li節點、最後一個li節點、第二個li節點、第三個li之後的li節點、偶數位置的li節點、包含second文本的li節點。

關於CSS選擇器的更多用法，可以參考http://www.w3school.com.cn/css/index.asp。

到此為止，pyquery的常用用法就介紹完了。如果想查看更多的內容，可以參考pyquery的官方文檔：http://pyquery.readthedocs.io。我們相信有了它，解析網頁不再是難事。

本資源首發於崔慶才的個人博客靜覓： Python3網路爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注我的個人微信公眾號：進擊的Coder

http://weixin.qq.com/r/5zsjOyvEZXYarW9Y9271 (二維碼自動識別)