【编程课堂】以 jQuery 之名 - 爬虫利器 PyQuery
【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 pyquery2、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 pyquery2.2 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-img 的 li 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