30. PyQuery: 基于HTML的CSS选择器

html = """
    <ul>
       <li class="aaa"><a href="http://www.google.com">谷歌</a></li>
       <li class="aaa"><a href="http://www.baidu.com">百度</a></li>
       <li class="bbb" id="qq"><a href="http://www.qq.com">腾讯</a></li>
       <li class="bbb"><a href="http://www.csdn.net">CSDN</a></li>
   </ul>
"""

# 加载html内容
p = PyQuery(html)

print(p)
print(type(p))

导入一段简单的html，用PyQuery接口加载html内容，打印看输出结果，发现就是html本身的内容。那么再打印一次它的类型，看看是不是什么都没有做，发现它是PyQuery类。

PyQuery对象有什么用呢？

它可以把html加载起来，随后就可以在其后进行CSS选择器的操作了。

关于CSS选择器的知识点我们在上一节已经讲过，不懂的同学可以移步上一行的超链接传送门。

按标签选择

# pyquery对象直接(css选择器)

a = p("a")
print(a)
print(type(a))  # 依然是pyquery对象

可以筛选出所有a标签对象，而筛选结果依然是PyQuery对象，由此我们可以得出下例。

标签链式操作

# 链式操作
a = p("li")("a")
print(a)

由于筛选后还是PyQuery对象，所以我们可以继续筛选。上述例子就是先筛选出 li 标签，再在其中筛选 a 标签并打印输出。

简便链式：后代选择器

a = p("li a")
print(a)

这样的输出结果和上面是一样的。用了CSS选择器的语法：后代选择器，筛选包含在 li 标签的所有 a 标签。

类选择器

a = p(".aaa a")  # class="aaa"
print(a)

查询结果为class为aaa的标签下包含的所有 a 标签。

id 选择器

a = p("#qq a")  # id="qq"
print(a)

查询结果为 id 为 qq 的标签下包含的所有 a 标签。

属性/文本选择器（重点）

href = p("#qq a").attr('href')  # 拿属性
text = p("#qq a").text()  # 拿文本
print(href)
print(text)

查询结果为 id 为 qq 的标签下包含的 a 标签的 href 属性和它所包含的文本内容。

注意：如果多个标签同时拿属性，只能拿到第一个：

# 坑, 如果多个标签同时拿属性. 只能默认拿到第一个
href = p("li a").attr("href")
print(href)

多个标签同时拿属性，找到一个就返回了，不能这样写。

改进多标签拿属性方法

# 多个标签拿属性
it = p("li a").items()
for item in it:  # 从迭代器中拿到每一个标签
    href = item.attr("href")  # 拿到href属性\
    text = item.text()
    print(text, href)

用items()方法将标签化为列表，然后用循环的方法遍历列表，抓到每一个里面的href属性打印输出即可。

快速总结

1. pyquery(选择器)
2. items() 当选择器选择的内容很多的时候. 需要一个一个处理的时候
3. attr(属性名) 获取属性信息
4. text() 获取文本

PyQuery的强大功能：修改源代码

PyQuery和其他查询最大的区别就在于它可以修改网页源代码让他变得“整齐”，也就便于我们抓取信息等操作。

如下例所示：

添加代码块

html = """
<HTML>
    <div class="aaa">哒哒哒</div>
    <div class="bbb">嘟嘟嘟</div>
</HTML>
"""

p = PyQuery(html)

# 在xxxx标签后面添加xxxxx新标签
p("div.aaa").after("""<div class="ccc">吼吼吼</div>""")
p("div.aaa").append("""<span>我爱你</span>""")
print(p)

上述代码第11行的含义是在aaa类的div标签后面添加一行after里包含的代码块；

上述代码第12行的含义是在aaa类的div标签内部添加一行append里包含的代码块。

修改/添加属性

p("div.bbb").attr("class", "ccc")  # 修改属性
p("div.ccc").attr("id", "12306")  # 新增属性, 前提是该标签没有这个属性
print(p)

修改/添加属性用的都是 .attr() 这个方法，如果有这个属性，那么对应的就是修改，没有就是新增。

其实可以类比Python的字典键值对，很好理解。

删除属性/标签等

p("div.ccc").remove_attr("id")  # 删除属性
p("div.aaa").remove()  # 删除标签
print(p)

上述代码移除了class为ccc的div的id属性，和class为aaa的div标签本身。

可以用上述方法分别移除筛选出的标签本身、标签属性、标签类、标签名字域（不常用）。

总结

本节我们讨论了PyQuery的基本用法和他的特殊之处，下一节将进行实战练习，用实例展示何时用PyQuery最合适。（也就是我们提到的让源代码变得“整齐”而使信息容易提取）

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

Python爬虫入门进阶与实战

html

css

pyquery