Python 爬虫十六式 - 第六式：JQuery的假兄弟-pyquery
PyQuery：一個類似jquery的python庫
學習一時爽，一直學習一直爽
??Hello，大家好，我是 Connor，一個從無到有的技術小白。上一次我們說到了 BeautifulSoup 美味的湯，BeautifulSoup 很適合剛剛接觸爬蟲的新手使用。雖然 BeautifulSoup 好用，但是也有它的局限性。今天我們來講一講 PyQuery，讓我們以 JQuery的方式來快速提取我們想要的內容。廢話不多說，讓我們開始吧。
1. PyQuery 的簡介
??pyquery 允許您在 xml 文檔上進行 jquery 查詢。API 盡可能與 jquery 類似。pyquery 使用lxml 進行快速 xml 和 html 操作。當然這并不能用于生成 JavaScript 代碼或者與 JavaScript 進行代碼交互。所以，如果你想在 Python 上運行 JavaScript 代碼，那么 pyquery 不是一個好的選擇。
2. PyQuery 的簡單使用
??pyquery還是非常容易上手的。現在，我們以下面的這段 xml 代碼為例，進行演示：
html = """ <html><head><title>我的示例</title></head> <body><div class="book"><a class="book_title" id="book" href="abc.html">百煉成鋼</a><p class="book_author" id="author" >王者之勢</p><p class="time" id="time">2019/01/13</p></div></body> </html> """??首先，我們先將這段文檔變成 PyQuery 對象，pyquery的操作基本都是通過PyQuery 對象來進行的。你可以這樣做：
In [2]: from pyquery import PyQueryIn [3]: doc = PyQuery(html)In [4]: type(doc) Out[4]: pyquery.pyquery.PyQuery??使用 CSS 選擇器可以快速地對節點進行選擇，CSS 選擇器是一種快速高效的選擇方式，它可以在頁面中實現 一對一，一對多，多對一的多種控制，使用 CSS 選擇器無疑是一種快速便捷的提取方式，你只需要像JQuery一樣進行選擇可以了：
In [10]: print(doc(".book")) <div class="book"><a class="book_title" id="book" href="abc.html">百煉成鋼</a><p class="book_author" id="author">王者之勢</p><p class="time" id="time">2019/01/13</p></div>??可以看到，只要像JQuery一樣進行選擇就可以輕而易舉的將我們想要的東西就選擇出來了，而且不需要像Xpath一樣去找它的路徑
3. 使用 PyQuery 選擇單一節點
3.1 通過節點名稱進行選擇
??在 pyquery 中，你可以通過節點名來對節點進行簡單的選擇，當某個節點在文檔中只出現一次的時候，這種方式是最簡單的，你無需考慮其他因素的影響，就像這樣：
In [11]: c = doc("a")In [12]: print(c) <a class="book_title" id="book" href="abc.html">百煉成鋼</a>??可以看到，很輕松的就將我們想要的節點選取出來了，但是很多時候某個節點有很多個，很少有單獨出現一次的情況，這個時候我們就需要通過別的方法來進行選擇了
3.2 通過屬性進行選擇
??你也可以通過節點的屬性來選擇一個節點，當某個節點的某個屬性在文檔中是唯一的時候，這是最方便的做法。在上面的例子文檔中，有很多的節點都擁有唯一的屬性，所以，您可以這樣做：
In [13]: c = doc("#author")In [14]: print(c) <p class="book_author" id="author">王者之勢</p>??我們可以看到，通過單獨的屬性是很容易選取出我們想要的的內容的，這只是 id 屬性， 我們也可以使用 class 屬性來進行快速選擇，其寫法也和 JQuery 相同，這里不再演示。 但是當我們遇到其他的屬性的時候該怎么辦？我們可以通過指明屬性的名稱和值來進行選擇， 就像這樣：
In [15]: c = doc('[href="abc.html"]')In [16]: print(c) <a class="book_title" id="book" href="abc.html">百煉成鋼</a>??就像這樣，我們只是通過一個href屬性就選擇出了我們想要的節點。當然，有些時候某個屬性也是眾多節點一起使用的，這個時候你可以結合我們講的第一種方法，通過節點名稱來進行選擇，將節點與屬性進行結合，來進行選擇：
In [17]: c = doc('p[id="author"]')In [18]: print(c) <p class="book_author" id="author">王者之勢</p>??通過上面的方法，還是基本上很容易滿足我們的需求了，但是有些時候，當我們有更高的需求的時候，我們需要用到css的偽類選擇器，下面，我們將介紹偽類選擇器：
3.3 通過偽類來進行選擇
??當某些節點擁有多個，或者與其它節點有太多重復屬性的時候，我們就需要用到偽類選擇器，偽類選擇器出了可以使用css自帶的偽類選擇器之外，pyquery 還提供了類似 JQuery 一樣的非標準偽類選擇器，這些偽類選擇器可以幫助我們快速的進行選擇：
In [19]: c = doc("p:first")In [20]: print(c) <p class="book_author" id="author">王者之勢</p>??偽類選擇器支持幾乎所有的 CSS 標準偽類以及 JQuery 的非標準偽類:
CSS 標準偽類
| :checked | input:checked | 選擇所有選中的表單元素 |
| :disabled | input:disabled | 選擇所有禁用的表單元素 |
| :empty | p:empty | 選擇所有沒有子元素的p元素 |
| :enabled | input:enabled | 選擇所有啟用的表單元素 |
| :first-of-type | p:first-of-type | 選擇每個父元素是p元素的第一個p子元素 |
| :last-child | p:last-child | 選擇所有p元素的最后一個子元素 |
| :last-of-type | p:last-of-type | 選擇每個p元素是其母元素的最后一個p元素 |
| :not(selector) | :not§ | 選擇所有p以外的元素 |
| :nth-child(n) | p:nth-child(2) | 選擇所有 p 元素的父元素的第二個子元素 |
| :nth-last-child(n) | p:nth-last-child(2) | 選擇所有p元素倒數的第二個子元素 |
| :nth-last-of-type(n) | p:nth-last-of-type(2) | 選擇所有p元素倒數的第二個為p的子元素 |
| :nth-of-type(n) | p:nth-of-type(2) | 選擇所有p元素第二個為p的子元素 |
| :only-of-type | p:only-of-type | 選擇所有僅有一個子元素為p的元素 |
| :only-child | p:only-child | 選擇所有僅有一個子元素的p元素 |
| :root | root | 選擇文檔的根元素 |
| :target | #news:target | 選擇當前活動#news元素(點擊URL包含錨的名字) |
| :link | a:link | 選擇所有未訪問鏈接 |
| :visited | a:visited | 選擇所有訪問過的鏈接 |
| :active | a:active | 選擇正在活動鏈接 |
| :hover | a:hover | 把鼠標放在鏈接上的狀態 |
| :focus | input:focus | 選擇元素輸入后具有焦點 |
| :first-child | p:first-child | 選擇器匹配屬于任意元素的第一個子元素的 元素 |
| :lang(language) | p:lang(it) | 為 元素的lang屬性選擇一個開始值 |
JQuery 非標準偽類
| :first | p:first | 選擇第一個 元素 |
| :last | p:last | 選擇最后一個 元素 |
| :odd | p:odd | 選擇所有 元素中索引為奇數的元素 |
| :even | p:even | 選擇所有 元素中索引為偶數的元素 |
| :eq(index) | p:eq(0) | 選擇所有 元素中索引為0的元素 |
| :lt(index) | p:lt(3) | 選擇所有 元素中索引小于3的元素 |
| :gt(index) | p:gt(2) | 選擇所有 元素中索引大于2的元素 |
| :header | :header | 選擇所有的H1-H6的元素 |
| :hidden | p:hidden | 選取所有 元素中包含有隱藏屬性的元素 |
| :contains(text) | p:contains(王者) | 選擇所有 元素中內容包含有‘王者’的元素 |
| :has(selector) | div:has§ | 選擇所有帶有 元素的 元素 |
| :input | :input | 選擇所有的元素 |
| :(type)type指input的類型 | :submit | 選擇所有type為submit的元素 |
| button submit reset text checkbox image hidden file |
??通過上列的偽類你可以更快更方便的對節點進行選擇，當然 pyquery 并不只有這些功能，它還有更多的功能：
4. 使用 PyQuery 選擇多個節點
??當我們使用 PyQuery 進行選擇的時候，難免會遇到某個節點都是使用同一種方式來進行封裝的，他們的描述方式都是相同的，亦或者我們想要批量的選取某個東西的時候，他們的封裝形式是相同的，這樣很難進行單一的選取。或者說單一選取太麻煩了。此時我們就需要考慮選擇后的遍歷問題了。因為一個東西如果不能遍歷，對我們取值有很大的困難，PyQuery 自然也是可以進行遍歷的，可能你會這樣做：
In [21]: c = doc('p')In [22]: for item in c:...: print(item)...: <Element p at 0x21395a4b448> <Element p at 0x21395a12888>??你會發現，通過這種方式打印出來的只是一個內存地址，并沒有實際的東西。當我們需要遍歷 PyQuery 選擇出來的東西的時候，我們需要使用 items() 方法。通過這種方法可以將選擇的多個內容區分開來：
In [23]: c = doc('p').items()In [24]: for item in c:...: print(item)...: <p class="book_author" id="author">王者之勢</p><p class="time" id="time">2019/01/13</p>??通過 items() 方法就可以打印出每一項的內容了。
5. PyQuery 的其它使用方法
5.1 text() 方法
??當我們獲取到指定的節點的時候，有時候我們需要獲取他的文本內容，這個時候就需要的使用 text() 方法了，這個方法可以取出當前 PyQuery 對象中的文本內容，例如：
In [25]: c = doc('#author')In [26]: print(c.text()) 王者之勢5.2 attr() 方法
??有些時候我們不只是需要提取文本內容，有時候我們也需要提取節點中的屬性內容，例如 href，這個時候我們就需要使用到 attr() 方法，通過該方法來進行屬性內容的提取：
In [13]: tags = doc('a').attr('href')...: print(tags) abc.html5.3 html() 方法
??如果你所選擇的當前節點還有子節點，那么你可以通過 html() 方法將當前節點下的所有子元素選擇出來，當然，你也可以對它進行更改，改變當前節點下的內容：
In [27]: c = doc('div')In [28]: print(c.html())<a class="book_title" id="book" href="abc.html">百煉成鋼</a><p class="book_author" id="author">王者之勢</p><p class="time" id="time">2019/01/13</p>??或者你可以通過向html()方法中給參數的方法來改變當前節點下的子節點內容：
In [29]: c = doc('div')In [30]: print(c.html('abcdefghijklmnopqrstuvwxyz')) <div class="book">abcdefghijklmnopqrstuvwxyz</div>5.4 find() 方法
??在找到某一節點的內容之后，你還可以通過 find() 方法來在當前基礎上進行二次查找甚至是多次查找，find() 的使用方法和正常的查找方式是相同的：
In [31]: c = doc('div').find('#author')In [32]: print(c) <p class="book_author" id="author">王者之勢</p>5.5 children() 方法
??通過 children() 方法可以快速的選取出某個節點下的所有子節點，該方法同樣適用于多次查找，該方法的使用方法和 find() 方法類似：
In [33]: c = doc('div').children('p')In [34]: print(c) <p class="book_author" id="author">王者之勢</p><p class="time" id="time">2019/01/13</p>??當 children() 方法不給參數的時候會默認查找出所有的子節點，請按需使用。
5.6 has_class() 方法
??有時候我們尋找某一節點需要用到 class 但每次都單獨去取該屬性再進行判斷有些太麻煩了，PyQuery 為我們提供了 has_class() 方法，該方法可以快速的對節點是否擁有指定 class 屬性進行判斷：
In [35]: tags = doc.find('a').has_class('book_title')...: print(tags) True5.7 is_() 方法
??有的時候我們并不能只驗證 class 屬性，還有其他的屬性需要我們進行驗證，或者使用其它屬性來進行驗證會更加的方便，這個時候我們就需要使用 is_() 方法。這個方法可以匹配節點中的任意屬性：
In [12]: tags = doc('p').eq(0).is_('[id="author"]')...: print(tags) True5.9 對上述方法的總結
??總的來說，我覺得 pyquery 其實并沒有像想像中的那么好用，使用起來手感和 Xpath 差不了多少，甚至我個人認為 Xpaht 更加好用一些，其實如果你仔細地看 pyquery 的源碼你就會發現，其實它也使用了 Xpaht ，比較諷刺吧，但是 pyquery 確實是在 Xpath 的基礎上又做出了很大的改進，比如 偽類選擇器 這在一定情況下確實是要比 Xpath 要好用的多，所以其實解析并沒有什么難易，看你是否找對了適合的工具，就好比是否找到了適合腳的鞋子。找對了工具，事半功倍，找錯了工具，事倍功半。希望你能夠靈活運用。
下期預告
??Xpath 也講了，BeautifulSoup也講了，甚至PyQuery你也講了，怎么就是不講 re 正則呢？？別著急，重頭戲總是在最后出場，下一次我們就來講述，如何用 re 正則來獲取我們想要的內容。敬請期待下期-- Python爬蟲十六式 - 第七式：正則的藝術
??好了，這就是今天的內容了，不知道你今天又學會了多少內容。我是 Connor，一個從無到有的技術小白，愿你能在前進的道路上與我一同前行！學習一時爽，一直學習一直爽！
系列文章連接：
Python 爬蟲十六式 - 第一式：HTTP協議 >>>
Python 爬蟲十六式 - 第二式：urllib 與 urllib3 >>>
Python 爬蟲十六式 - 第三式：Requests的用法 >>>
Python 爬蟲十六式 - 第四式: 使用Xpath提取網頁內容 >>
Python 爬蟲十六式 - 第五式：BeautifulSoup-美味的湯 >>>
Python 爬蟲十六式 - 第七式：正則的藝術 >>>
轉載于:https://www.cnblogs.com/miss85246/p/10397601.html
總結
以上是生活随笔為你收集整理的Python 爬虫十六式 - 第六式：JQuery的假兄弟-pyquery的全部內容，希望文章能夠幫你解決所遇到的問題。
