【编程课堂】以 jQuery 之名 - 爬虫利器 PyQuery

很多读者在学习了 Python 之后都想做一些爬虫程序,去网上采集数据或完成一些自动化操作。因此,我们也制作了一套爬虫实战课程,目前正在最后的完善中,很快将和各位见面。

等不及的朋友,可以先来看看这个类似于 bs4 的网页分析模块——PyQuery。

如果说到 jQuery,熟悉前端的同学肯定不陌生,它可以简单优雅地对 html 文件进行定位、选择、移动等操作。而本文的主角 pyquery,支持以 jquery 的方式对 html 进行操作。因此非常适合有前端或 js 基础的同学使用。

废话不多说,一边看文章,一边打开编辑器,跟着我一探究竟吧。

1、安装

安装过程比较简单

pip install pyquery

2、入门使用

接下来,我们以分析简书首页文章为例,简单梳理 pyquery 的部分函数 。

2.1 导入相关的库

分别导入 网络请求库 requests、以及 pyquery 。

import requests
import pyquery
2.2 向 pyquery 导入数据

与 bs4 一样,处理网页首先建立一个 pyquery 对象。通过抓取到的网页内容初始化即可。

# 请求简书地址
url = 'http://www.jianshu.com/'
req = requests.get(url)
page = req.text
# 导入 pyquery 处理
pq = pyquery.PyQuery(page)

pyquery 也可以直接调用内置的网络请求模块,从网址初始化:

url = 'http://www.baidu.com'
pq = pyquery.PyQuery(url=url)
2.3 定位元素

pyquery 提供多种定位元素的方法,这里简单介绍三种,直接定位、根据 id 定位 ,根据 class 定位。

根据 html 标签直接定位:

# 直接定位 head 标签
pq_head = pq('head')

以上代码就是获取 html 中 < head>.......< /head> 标签内的内容。

根据 id 定位:

在简书首页源代码中可找到这么一段

根据 id 定位找到这个 li 标签,代码如下:

# 定位 id = note-11772642 的 li 标签
pq_id = pq('#note-11772642')

以上代码获取 id 名为 note-11772642 的标签,需要注意的是查询 id 时添加 # 前缀,这是 css 选择器语法。

根据 class 定位:

同样以刚才的为例

我们根据 class=have-img 去获取这个 li 标签

# 定位 class = have-img 的 li 标签
pq_class = pq('.have-img')

注意的是查询 class 时添加 . 前缀,这也是 css 选择器语法。

2.3 索引标签

在上一节的最后有个小问题,我们知道 head 标签在 html 中只有一个,而 class 名为 have-imgli 标签可能有多个,我们该 如何遍历所有的 li 标签呢? 又该如何单独的取某一个 li 呢?

首先我们可以逐个遍历

# 遍历所有 class = have-img 的 li 标签
for li in pq_class:    
    # 获取每一个 li 标签
    pq_li = pq(li)

我们可以索引某一个 li 标签

使用.ep(index) 函数。

# 获取第一个 li 标签
li_first = pq_class.ep(0)
# 获取第二个 li 标签
li_second = pq_class.ep(1)
2.4 寻找标签

同样回到刚刚的那张图

在上一步,我们已经找到了所有的 li 标签,也知道如何取索引其中的元素,但我们现在要准确定位到某一个元素,比如上图中 id = note-11772642 这个 li 标签。

这时候 filter(selecter) 就派上了用场

li_spec = pq_class.filter('#note-11772642')

这样我们就找到了指定的这个 li 标签,需要注意的是, filter 函数只能在同一级标签中寻找,比如在这里只能过滤 li 标签,而不能定位 li 标签下的 a 标签、 div 标签等。

当然,针对这种情况, pyquery 为我们提供了另外一个函数 find(selector),该函数用于寻找子节点,继续以上图为例,寻找该特定 li 标签下的 p 标签

p_tag = li_spec.find('p')
2.5 提取属性与值

以上我们讲了许多关于标签的知识,现在来谈谈怎么获取标签内的属性和标签包裹的文本,实际的爬虫项目中,通常这是最重要的一步,比如从 a 标签中获取链接、从 li 标签或者 p标签中获取文本。

获取属性:

使用 attr() 函数,以我们之前获取的 li 标签为例,获取其中的 id 属性

# 获取 id 属性的方法
li_spec_id = li_spec.attr('id')
li_spec_id_2 = li_spec.attr.id
li_spec_id_3 = li_spec.attr['id']

获取文本:

使用 text()函数, 以我们之前得到的 p 标签为例,获取其中的文本。

string = p_tag.text()

到此,在爬虫中会使用到的函数就是这些了。

3、小结

pyquery 还拥有操作文档树的能力,本篇文章着重介绍与爬虫相关的知识,所以就不再此详细叙述了,有兴趣的同学移步官方文档: http://pythonhosted.org/pyquery/index.html

最后,既然我们都分析了简书首页,请大家根据所学内容爬取简书首页所有的文章标题和文章链接,然后打印出来吧,像下图一样

在公众号(Crossin的编程教室)里回复 pyquery,可获取本文的完整示例代码。

『码上行动』在线学习班正在开放中,详情回复 码上行动

原文发布于微信公众号 - Crossin的编程教室(crossincode)

原文发表时间:2017-05-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏君赏技术博客

怎么让APP`iTunes Connect`名字和在设备上显示的名字是一致的

在iTunes Connect和设备上显示的名字是一致的,因为避免混淆。对于WatchKit的app,对于WatchKit应用程序,这意味着在iTunes Co...

29330
来自专栏不止是前端

Vue:(1)从80%搭建个人管理后台

1K120
来自专栏Jerry的SAP技术分享

微信小程序开发系列七:微信小程序的页面跳转

这个系列教程的前六篇文章我们都在单个的视图上操作。现在让我们创建第二个视图,然后实现从第一个视图到第二个视图的跳转。

23820
来自专栏从零开始学自动化测试

Appium+python自动化19-iOS模拟器(iOS Simulator)安装自家APP

前言 做过iOS上app测试的小伙伴应该都知道,普通用户安装app都是从appstore下载安装,安装测试版本的app,一般就是开发给的二维码扫码安装, 或者开...

40630
来自专栏mySoul

微信小程序插件

微信小程序插件是对一组js接口,自定义组件或页面的封装,用来嵌入微信小程序中,用来被开发者调用。

2.1K30
来自专栏张戈的专栏

WordPress开启颜色评论但不造成XSS漏洞的小方法

前段时间分享过一些 XSS 漏洞的修复技巧,而且也说到了 WordPress 开启颜色评论需要在 functions.php 中插入如下代码,也就是禁用 Wor...

358100
来自专栏企鹅号快讯

前端性能优化——桌面浏览器前端优化策略

作者:ouven https://my.oschina.net/zhangstephen/blog/1601382 摘要: 前端性能优化是一个很宽泛的概念,本书...

25360
来自专栏KaliArch

搭建高可用MongoDB集群(分片)

MongoDB基础请参考:http://blog.51cto.com/kaliarch/2044423

464120
来自专栏码生

Chrome 浏览器最牛插件之一 Vimium

最近学习了一下,整理了一下官方的默认按键。其中我使用到的都进行了中文翻译,一些没有翻译的是我没有使用的,这部分理解不深,不想误导大家,所以将英文原文放在这里,还...

25410
来自专栏陈满iOS

Xcode最新及各历史版本安装方法·官方镜像下载地址

个人看法,从重复利用的角度,不推荐用AppStore安装和更新,推荐直接去官网的历史版本下载资源页面下载,这样下载之后还能有版本备份,等下次再需要的时候还能重复...

4.4K20

扫码关注云+社区

领取腾讯云代金券