PyQuery解析网页用法入门讲解（含Python代码举例讲解+爬虫实战）

大家好，我是辰哥~

本文带大家学习Pyquery解析网页，并通过python代码举例讲解常用的Pyquery

最后实战爬取小说网页：重点在于爬取的网页通过Pyquery进行解析。

1. Pyquery的安装

在使用pyquery解析库之前，首先简单介绍一下pyquery然后讲解如何安装pyquery库。

• pyquery的基础概念

Pyquery也是一个功能很强大的网页解析库，它支持对xml、html文档进行jQuery查询。

• 安装pyquery

pyquery的安装其实很简单，下面介绍两种不同的安装方式（适用不同的操作系统）。

#方式一：pip安装 pip install pyquery   

#方式二：wheel安装 
#下载对应系统版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/ 
pip install pyquery-1.4.3-py3-non-any.whl

方式一：安装比较简单，通过pip install pyquery命令就可以直接安装；

方式二：首先需要下载whl文件，然后再去安装。

其下载链接为：http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml。

进入这个链接后找到pyquery-1.4.3-py3-none-any.whl，并将其下载到本地。

2. Pyquery的使用方法

通过上述方法安装好pyquery之后，我们开始导入pyquery，并通过一个例子去了解pyquery的基本使用方法。首先构造了一段html源码，然后初始化为pyquery对象。

完整代码如下：

from pyquery import PyQuery as pq
html = '''
<div id = "container">
    <ul>
        <li>第1个</li>
        <li><a href = "link2.html">第2个</a></li>
        <li class = "i0 active"><a href = "link3.html"><span>第3个</span></a></li>
        <li class = "i1 active"><a href = "link4.html">第4个</a></li>
        <li><a href = "link5.html">第5个</a></li>
    </ul>
</div>
'''
py= pq(html)

• 获取标签元素

目标：比如我们需要获取html中的li标签

#方式一
print(py('li'))

#方式二
# 注意下面id 前面需要加上#,class 前面需要加上.
print(py('#container .list li'))

这里有两种获取方式，第一种比较简单，第二种方法定位更加准确。针对上述的html源码，这两种方式获取的结果是一样的，其结果如下：

<li>第1个</li>
<li><a href="link2.html">第2个</a></li>
<li class="i0 active"><a href="link3.html"><span>第3个</span></a></li>
<li class="i1 active"><a href="link4.html">第4个</a></li>
<li><a href="link5.html">第5个</a></li>

• 查询子级标签元素

目标：获取class为list的ul标签下的所有子标签(li标签)，其代码如下：

items = py('.list')
lis = items.children()
print(lis)

最后打印输出的结果同上，都是把所有的li标签打印输出。

• 查询父级标签元素

目标：获取class为list的ul标签的上一级标签(div标签)，其代码如下：

items = py('.list')
pa = items.parent()
print(pa)

打印输出结果：

<div id="container">
    <ul>
        <li>第1个</li>
        <li><a href="link2.html">第2个</a></li>
        <li class="i0 active"><a href="link3.html"><span>第3个</span></a></li>
        <li class="i1 active"><a href="link4.html">第4个</a></li>
        <li><a href="link5.html">第5个</a></li>
    </ul>
</div>

• 获取元素信息

目标：获取class为i0 active的a标签元素，并提取出a标签元素的相关信息

a = py('.i0.active a')
# 标签内容
print(a)
# 获取属性(两种方式)
print(a.attr.href)
print(a.attr('href'))
# 获取文本
print(a.text())
# 获取<a>标签里的源码
print(a.html())

结果：

<a href="link3.html"><span>第3个</span></a>
link3.html
link3.html
第3个
<span>第3个</span>

3. 实战：抓取由关键字搜索的结果

内容：抓取小说网站由关键字搜索的结果，并采集结果中小说的书名和链接

思路：首先在小说网站里面搜索关键字：斗罗，然后利用爬虫抓取搜索返回的结果中小说的书名和链接，这过程中通过pyquery去解析网页源码，最后提取出数据。

链接：http://book.chenlove.cn/search.html?keyword=斗罗

在浏览器中访问链接：

在编写之前先分析一下网页源码：

查看源代码，可以知道每一本书的数据都在class为bigpic-book-name的a标签中，首先使用pyquery去解析其a标签，然后进行循环遍历。

完整代码如下：

from pyquery import PyQuery as pq
import requests
# 设置代理服务器
headers = {
    'User_Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36'
}
#请求连接
url = "http://book.chenlove.cn/search.html?keyword=斗罗"
response = requests.get(url, headers=headers)
if response.status_code == 200:
    # 转化为utf-8格式，不加这条语句，输出爬取的信息为乱码
    response.encoding = 'utf8'
    # 把网页解析为pyquery对象
    py = pq(response.text)
    a_list = py('.bigpic-book-name').items()
    for i in a_list:
        # 获取书名
        print(i.text())
        # 获取书名链接
        print(i.attr('href'))

上一小节我们学会了如何去提取a标签中的内容和链接，同样的这里一样使用text()和attr()去解析内容和链接。

结果：

智行斗罗
/novel/235.html
从炸掉魂环开始的斗罗
/novel/219.html
旅途从斗罗开始
/novel/195.html
斗罗之卡BUG
/novel/159.html
终极斗罗
/novel/54.html

end

分享

收藏

点赞

在看

最后