''' 字符串初始化 ''' html=''' <div> <ul> <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active" ><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </li> </div> ''' # from pyquery import PyQuery as pq # doc=pq(html) # print(doc('li')) ''' 运行结果如下: <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> 在这里首先引入一个PyQuery对象,取别名为pq。然后声明HTML长字符串,并将其当做参数传入PyQuery类中,这样就完成了初始化操作, 接下来,将初始化的对象传入CSS选择器,在这个实例中,我们传入li节点,这样就可以选择所有的li节点。 ①URL的初始化 初始化的参数不仅仅可以采用字符串形式的传递,还可以传入网页的URL,此时只需要指定参数的url即可: ''' # from pyquery import PyQuery as pq # doc=pq(url='https://cuiqingcai.com') # print(doc('title')) ''' 运行结果如下: <title>静觅丨崔庆才的个人博客</title> 这样的话PyQuery对象首先会请求这个URL,然后用得到的HTML内容完成初始化,这其实就相当于用网页的源代码以字符串的形式传递给 PyQuery类来初始化。 他与下面的功能是相同的: ''' # from pyquery import PyQuery as pq # import requests # doc=pq(requests.get('https://cuiqingcai.com').text) # print(doc('title')) ''' 运行结果和下面一致的: ②文件的初始化 不仅仅可以传递URL,也可以传递本地的文件名,将参数指定为filename即可: 最常见的传递方式还是采用字符串的形式。 ''' # from pyquery import PyQuery as pq # doc=pq(filename='demo.html') # print(doc('li')) ''' 基本的CSS选择器 ''' htmls=''' <div id="container"> <ul class="list"> <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active" ><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </li> </div> ''' # # from pyquery import PyQuery as pq # doc=pq(htmls) # print(doc('#container .list li')) # print(type(doc('container .list li'))) ''' 结果如下: <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> <class 'pyquery.pyquery.PyQuery'> 在这里我们初始化PyQuery对象之后,传入了一个CSS选择器#container .list li, 它的意思就是选取id为container的节点,然后选取其内部的 class为list的节点内部的所有li节点。然后,打印输出。可以看到,我们成功获取到符合条件的节点。 最后,将它的类型打印输出。可以看到,它的类型依旧是PyQuery类型的。 查找节点:用法和jQuery使用方法完全一致; 1,子节点 查找子节点时,需要用到find()方法,此时传入参数是CSS选择器。这里还是以前面的HTML为例: ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # items=doc('.list') # print(type(items)) # print(items) # lis=items.find('li') # print(type(lis)) # print(lis) ''' <class 'pyquery.pyquery.PyQuery'> <ul class="list"> <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </ul> <class 'pyquery.pyquery.PyQuery'> <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> 首先我们选取class为list的节点,然后调用find()方法,传入CSS选择器,选择内部的li节点,最后打印输出。可以发现,find()方法会 将所有符合条件的节点选出来,最后的节点类型依旧是PyQuery类型。 find()是选取所有的子孙节点,而如果我们只想查找子节点,采用children()方法 如果要筛选出所有子节点中符合条件的节点就如下所示: ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # items=doc('.list') # print(type(items)) # print(items) # lis=items.children('.active') # print(type(lis)) # print(lis) ''' 结果如下: <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> 父节点: 可以采用parent()方法来获取某个节点的父节点,示例如下: ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # items=doc('.list') # container=items.parent() # print(type(container)) # print(container) ''' 在这里我们首先用.list选取class为list节点,然后调用parent()方法得到其父节点,其类型依旧是PyQuery类型的。 这里的父节点是该节点的直接父节点,也就是说,他不会查找父节点的父节点,那如果想获取某一个祖先节点,可以采用parents()方法: ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # items=doc('.list') # container=items.parents() # print(type(container)) # print(container) ''' <html><body><div id="container"> <ul class="list"> <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </ul></div> </body></html><body><div id="container"> <ul class="list"> <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </ul></div> </body><div id="container"> <ul class="list"> <li class="item-0">first item</li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </ul></div> 一共输出三个内容,也就是说他返回了所有的祖先节点。如果想筛选某一个祖先节点,就在parents()中传入参数 兄弟节点: 前面我们说明了子节点和父节点的用法,还有一种节点,就是兄弟节点,如果只要获取兄弟节点的话就可以使用siblings()方法 ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # li = doc('.list .item-0.active') # print(li.siblings()) ''' 这里首先选择class为list的节点内部class为item-0和active的节点,也就是第三个li节点,很明显他的兄弟节点有4个,运行结果如下: <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-0">first item</li> <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> 如果需要筛选兄弟节点的话就在siblings()方法中传入CSS参数,比如: ''' from pyquery import PyQuery as pq doc=pq(htmls) li = doc('.list .item-0.active') print(li.siblings('.active')) ''' 运行结果如下: <li class="item-1 active"><a href="link4.html">fourth item</a></li> ⑤遍历: 刚刚可以观察到,pyquery的选择结果可以是多个节点,也可以是单个节点,类型都是PyQuery类型,并不像是beautifulSoup一样返回一个列表 ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # li = doc('.item-0.active') # print(li) # print(str(li)) ''' <li class="item-1 active"><a href="link4.html">fourth item</a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> 对于多个节点的结果,就需要遍历来获取,需要使用到item()方法 ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # li = doc('a').items() # print(type(li)) # for i in li: # print(i, type(i)) ''' <class 'generator'> <a href="link2.html">second item</a> <class 'pyquery.pyquery.PyQuery'> <a href="link3.html"><span class="bold">third item</span></a> <class 'pyquery.pyquery.PyQuery'> <a href="link4.html">fourth item</a> <class 'pyquery.pyquery.PyQuery'> <a href="link5.html">fifth item</a> <class 'pyquery.pyquery.PyQuery'> 可以看到的是生成器类型,遍历一下,就可以逐个得到li,其实类型依旧是PyQuery类型。 获取信息提取到节点之后,最终的目的就是提取信息,比较重要的信息有两类,一是获取属性,二是获取文本,下面分别进行说明。 获取属性: 提取到某一个PyQuery类型的节点后,就可以去调用attr()方法来获取属性。 ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # a = doc('.item-0.active a') # print(a, type(a)) # print(a.attr('href')) ''' <class 'generator'> <a href="link2.html">second item</a> <class 'pyquery.pyquery.PyQuery'> <a href="link3.html"><span class="bold">third item</span></a> <class 'pyquery.pyquery.PyQuery'> <a href="link4.html">fourth item</a> <class 'pyquery.pyquery.PyQuery'> <a href="link5.html">fifth item</a> <class 'pyquery.pyquery.PyQuery'> <a href="link3.html"><span class="bold">third item</span></a> <class 'pyquery.pyquery.PyQuery'> link3.html 这种方法即使选择到多种元素,也只能返回第一个结果,如果需要获取到所有的a节点属性,就需要用到遍历。 ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # a = doc('a') # for i in a.items(): # print(i.attr('href')) ''' link2.html link3.html link4.html link5.html 获取节点的文本是text()方法 ''' # from pyquery import PyQuery as pq # doc=pq(htmls) # a = doc('.item-0.active') # print(a, a.text()) ''' <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li> third item 获取内部文本信息是用text()方法,就可以获取内部文本信息,如果想获取HTML文本则采用.html()方法,但是我们需要了解的是: text()方法是可以返回所有的li节点内部的纯文本,中间用一个空格分开,结果是一个字符串。但是html()方法不一样的就是需要遍历,和attr只返回 第一个结果。当然这三种方法也是可以都是可以使用attr('name', 'link'),text('you are best!'), html('<span>change</span>') remove() 将不需要的信息移除 ''' htmls=''' <div class="wrap"> 我想要的 <p>我不想要的</p> </div> ''' '''如果现在想要获取的是我想要的,而不包含p标签''' from pyquery import PyQuery as pq a=pq(htmls) wrap=a('.wrap') wrap.find('p').remove() print(wrap.text()) ''' 我想要的 '''
网络爬虫(七)
没有过不去的坎,只有没加够的油!