PyQuery: 爬虫界最简洁优雅的库
预报名开始| Python爬虫与文本分析工作坊 & 课题申报高级研修班
咨询加请加微信，记得备注“工作坊”
1
欢迎扫码咨询！！
简洁的PyQuery库
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。特别适合进行访问和解析网页数据。
PyQuery库官方文档 https://pythonhosted.org/pyquery/index.html
本文章节：
初始化为PyQuery对象
常用的CCS选择器
伪类选择器
查找标签
获取标签信息
高级方法
一、初始化为PyQuery对象
html_string = """<html lang="en"><head>简单好用的<title>PyQuery</title></head><body><ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li></ul></body></html>"""
相当于BeautifulSoup库的初识化方法，将html转化为BeautifulSoup对象。
bsObj = BeautifulSoup(html, 'html.parser')
PyQuery库也要有自己的初始化。
1.1 将字符串初始化
from pyquery import PyQuery#初始化为PyQuery对象doc = PyQuery(html_string)print(type(doc))print(doc)
Run
<class 'pyquery.pyquery.PyQuery'><html lang="en"><head>简单好用的<title>PyQuery</title></head><body><ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li></ul></body></html>
1.2 将html文件初始化
#filename参数为html文件路径doc = PyQuery(filename = 'test.html')print(type(doc))print(doc)
1.3 对网站访问并初始化
response = PyQuery(url = 'https://www.baidu.com')print(type(response))print(response)
Run
<class 'pyquery.pyquery.PyQuery'><html> <head><meta http-equiv="content-type" content="text/html;charset=utf-8"/><meta http-equiv="X-UA-Compatible" content="IE=Edge"/><meta content="always" name="referrer"/><link rel="stylesheet" type="text/css" href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css"/><title>ç¾åº¦ä¸ä¸ï¼ä½ å°±ç¥é</title></head> <body link="#0000cc"> <div id="wrapper"> <div id="head"> <div class="head_wrapper"> <div class="s_form"> <div class="s_form_wrapper"> <div id="lg"> <img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129"/> </div> <form id="form" name="f" action="//www.baidu.com/s" class="fm"> <input type="hidden" name="bdorz_come" value="1"/> <input type="hidden" name="ie" value="utf-8"/> <input type="hidden" name="f" value="8"/> <input type="hidden" name="rsv_bp" value="1"/> <input type="hidden" name="rsv_idx" value="1"/> <input type="hidden" name="tn" value="baidu"/><span class="bg s_ipt_wr"><input id="kw" name="wd" class="s_ipt" value="" maxlength="255" autocomplete="off" autofocus="autofocus"/></span><span class="bg s_btn_wr"><input type="submit" id="su" value="ç¾åº¦ä¸ä¸" class="bg s_btn" autofocus=""/></span> </form> </div> </div> <div id="u1"> <a href="http://news.baidu.com" name="tj_trnews" class="mnav">æ°é»</a> <a href="https://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a> <a href="http://map.baidu.com" name="tj_trmap" class="mnav">å°å¾</a> <a href="http://v.baidu.com" name="tj_trvideo" class="mnav">è§é¢</a> <a href="http://tieba.baidu.com" name="tj_trtieba" class="mnav">è´´å§</a> <noscript> <a 。。。。<div id="ftCon"> <div id="ftConw"> <p id="lh"> <a href="http://home.baidu.com">å ³äºç¾åº¦</a> <a href="http://ir.baidu.com">About Baidu</a> </p> <p id="cp">©2017 Baidu <a href="http://www.baidu.com/duty/">使ç¨ç¾åº¦åå¿ è¯»</a> <a href="http://jianyi.baidu.com/" class="cp-feedback">æè§åé¦</a> 京ICPè¯030173å· <img src="//www.baidu.com/img/gs.gif"/> </p> </div> </div> </div> </body> </html>
上面的字符串出现乱码，所以需要设置使用encoding参数
response = PyQuery(url = 'https://www.baidu.com', encoding='utf-8')print(type(response))print(response)
<class 'pyquery.pyquery.PyQuery'><html> <head><meta http-equiv="content-type" content="text/html;charset=utf-8"/><meta http-equiv="X-UA-Compatible" content="IE=Edge"/><meta content="always" name="referrer"/><link rel="stylesheet" type="text/css" href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css"/><title>百度一下，你就知道</title></head> <body link="#0000cc"> <div id="wrapper"> <div id="head"> <div class="head_wrapper"> ength="255" autocomplete="off" autofocus="autofocus"/></span><span class="bg s_btn_wr"><input type="submit" id="su" 。。。</script> <a href="//www.baidu.com/more/" name="tj_briicon" class="bri" style="display: block;">更多产品</a> </div> </div> </div> <div id="ftCon"> <div id="ftConw"> <p id="lh"> <a href="http://home.baidu.com">关于百度</a> <a href="http://ir.baidu.com">About Baidu</a> </p> <p id="cp">©2017 Baidu <a href="http://www.baidu.com/duty/">使用百度前必读</a> <a href="http://jianyi.baidu.com/" class="cp-feedback">意见反馈</a> 京ICP证030173号 <img src="//www.baidu.com/img/gs.gif"/> </p> </div> </div> </div> </body> </html>
二、常用的CCS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，不论什么苦，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。
常用的css选择器
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官网的css选择器，查看下文档
#使用上文的docprint(doc)
Run
<html lang="en"><head>简单好用的<title>PyQuery</title></head><body><ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li></ul></body></html>
2.1 打印id为container的标签
print(doc('#container'))print(type(doc('#container')))
Run
<ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li></ul><class 'pyquery.pyquery.PyQuery'>
2.2 打印class为object-1的标签
print(doc('.object-1'))
Run
<li class="object-1">Python</li>
打印标签名为body的标签
print(doc('body'))
Run
<body><ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li></ul></body>
2.3 多种css选择器使用
选出ul节点，有很多种表达方式。比如ul节点（该ul节点中的属性键值对为id=container）
print(doc("ul[id=container]"))
Run
<ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li></ul>
三、伪类选择器
pseudo_html = """<html lang="en"><head>简单好用的<title>PyQuery</title></head><body><ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li><li class="object-4">好</li><li class="object-6">好玩</li></ul></body></html>"""pseudo_doc = PyQuery(pseudo_html)print(pseudo_doc)
Run
<html lang="en"><head>简单好用的<title>PyQuery</title></head><body><ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li><li class="object-4">好</li><li class="object-6">好玩</li></ul></body></html>
3.1 伪类nth
print(pseudo_doc('li:nth-child(2)'))#打印第一个li标签print(pseudo_doc('li:first-child'))#打印最后一个标签print(pseudo_doc('li:last-child'))
Run
<li class="object-2">大法</li><li class="object-1">Python</li><li class="object-6">好玩</li>
3.2 contains
#找到含有Python的li标签print(pseudo_doc("li:contains('Python')"))#找到含有好的li标签print(pseudo_doc("li:contains('好')"))
Run
<li class="object-1">Python</li><li class="object-3">好</li><li class="object-4">好</li><li class="object-6">好玩</li>
四、查找标签
PyQuery对象拥有很多实用的定位方法
print(doc)
Run
<html lang="en"><head>简单好用的<title>PyQuery</title></head><body><ul id="container"><li class="object-1">Python</li><li class="object-2">大法</li><li class="object-3">好</li></ul></body></html>
获得所有的li标签
doc('li')
Run
[<li.object-1>, <li.object-2>, <li.object-3>]
查看li标签的类型
[type(l) for l in doc('li')]
Run
[lxml.etree._Element, lxml.etree._Element, lxml.etree._Element]
doc('li')返回的不是PyQuery类型，而是lxml.etree.Element类型。Element.text获取节点的文本内容
[l.text for l in doc('li')]
Run
['Python', '大法', '好']
获取所有的li，并以PyQuery形式逐个迭代
doc.items('li')
Run
<generator object PyQuery.items at 0x10e977a98>
查看doc.items迭代出的对象的数据类型
[type(l) for l in doc.items('li')]
Run
[pyquery.pyquery.PyQuery, pyquery.pyquery.PyQuery, pyquery.pyquery.PyQuery]
PyQuery类型拥有.text()方法
[l.text() for l in doc.items('li')]
Run
['Python', '大法', '好']
doc('body')
Run
[<body>]
获得doc节点的（当前为整个文档）的 id='container' 的节点
doc.find('#container')
Run
[<ul#container>]
id='container' 的节点的子节点们
id='container' 的节点的子节点们（节点内带字符串）
doc.find('#container').children()
Run
[<li.object-1>, <li.object-2>, <li.object-3>]
doc.find('#container').contents()
Run
['\n ', <Element li at 0x10e57ac08>, '\n ', <Element li at 0x10d687848>, '\n ', <Element li at 0x10d687e08>, '\n ']
id='container' 的节点的第二个子节点
doc.find('#container').contents().eq(1)
Run
[<li.object-1>]
id='container' 的节点的子节点中不含有 class='object-2' 的节点
doc.find('#container').children().not_('.object-2')
Run
[<li.object-1>, <li.object-3>]
.map方法传入两个参数，分别是索引值和element。
def func(i, e):return PyQuery(e).text()doc('li').map(func)
Run
['Python', '大法', '好']
doc('li').map(lambda i,e: PyQuery(e).text())
Run
['Python', '大法', '好']
输出ul的子节点的html
doc('ul').html()
Run
'\n <li class="object-1">Python</li>\n <li class="object-2">大法</li>\n <li class="object-3">好</li>\n '
五、pyquery高级用法
PyQuery与BeautifulSoup对比，我们会发现PyQuery可以对网址发起请求。比如
from pyquery import PyQueryPyQuery(url = 'https://www.baidu.com')
5.1 opener参数
PyQuery对百度网址进行请求，并将请求返回的响应数据处理为PyQuery对象。一般pyquery库会默认调用urllib库，如果想使用selenium或者requests库，可以自定义PyQuery的opener参数。
opener参数作用是告诉pyquery用什么请求库对网址发起请求。常见的请求库如urllib、requests、selenium。这里我们自定义一个selenium的opener。
from pyquery import PyQueryfrom selenium.webdriver import Chromefrom selenium.webdriver.chrome.options import Options#用selenium访问urldef selenium_opener(url):#我没有将Phantomjs放到环境变量，所以每次用都要放上路径#driver = PhantomJS(executable_path = 'phantomjs的路径')chrome_options = Options()chrome_options.add_argument('--headless')chrome_options.add_argument('--disable-gpu')driver = Chrome(executable_path='chromedriver所在的路径',options=chrome_options)driver.get(url)html = driver.page_sourcedriver.quit()return html#注意，使用时opener参数是函数名，没有括号的！PyQuery(url='https://www.baidu.com/',opener=selenium_opener)
Run
[<html>]
这时候我们就能上面学到的知识对PyQuery对象进行操作，提取有用的信息。
5.2 cookies、headers
在requests用法中，一般为了访问网址更加真实，模仿成浏览器。一般我们需要传入headers，必要的时候还需要传入cookies参数。而pyquery库就有这功能，也能伪装浏览器。
from pyquery import PyQuerycookies = {'Cookie':'你的cookie'}headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}PyQuery(url='https://www.baidu.com/',headers=headers,cookies=cookies)
Run注意，我这里返回的内容你可能觉得很少，是因为这是PyQuery对象。PyQuery.html()
[<html>]
5.3 让你的selenium带上pyquery功能
如何让driver访问的网址得到的网页直接变为PyQuery对象，更方便提取数据？
本来我想用Phantomjs自定义一个类，让selenium拥有pyquery的功能。后来测试发现phantomjs去年不再支持selenium，因为曾经的无头浏览器phantomjs具有不可替代的作用，但如今chrome和firefox都能提供无头浏览器的功能。
from pyquery import PyQueryfrom selenium.webdriver import Chromefrom selenium.webdriver.chrome.options import Optionsclass Browser(Chrome):#Browser继承Chrome类， 声明Chrome为无头模式访问网站def __init__(self, executable_path):chrome_options = Options()chrome_options.add_argument('--headless')chrome_options.add_argument('--disable-gpu')Chrome.__init__(self,executable_path=executable_path,options=chrome_options)#property是装饰器，需要知道@property下面紧跟的函数，实现了类的属性功能。@propertydef dom(self):return PyQuery(self.page_source)browser = Browser(executable_path='chromedriver所在的路径')browser.get(url='https://www.baidu.com/')print(type(browser.dom))
Run
<class 'pyquery.pyquery.PyQuery'>
这几个对pyquery功能的扩展，我觉得实现方式很不错，很美观简洁，以后我会多模仿，比如用函数或类的方式，对已有的库及函数进行功能加持。
至于实战，大家可以看很久之前大邓分享的文章 pyquery爬取豆瓣读书
推荐阅读
预报名开始| Python爬虫与文本分析工作坊 & 课题申报高级研修班
咨询加请加微信，记得备注“工作坊”
1
欢迎扫码咨询！！
notebook资源下载，后台回复 20190911