PyQuery解析网页用法入门讲解

1. Pyquery的安装

在使用pyquery解析库之前，首先简单介绍一下pyquery然后讲解如何安装pyquery库。

• pyquery的基础概念

Pyquery也是一个功能很强大的网页解析库，它支持对xml、html文档进行jQuery查询。

• 安装pyquery

pyquery的安装其实很简单，下面介绍两种不同的安装方式(适用不同的操作系统)。

#方式一：pip安装 pip install pyquery    
 
#方式二：wheel安装  
#下载对应系统版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/  
pip install pyquery-1.4.3-py3-non-any.whl 

方式一：安装比较简单，通过pip install pyquery命令就可以直接安装;

方式二：首先需要下载whl文件，然后再去安装。

其下载链接为：http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml。

进入这个链接后找到pyquery-1.4.3-py3-none-any.whl，并将其下载到本地。

2. Pyquery的使用方法

通过上述方法安装好pyquery之后，我们开始导入pyquery，并通过一个例子去了解pyquery的基本使用方法。首先构造了一段html源码，然后初始化为pyquery对象。

完整代码如下：

from pyquery import PyQuery as pq 
html = ''' 
<div id = "container"> 
    <ul> 
        <li>第1个</li> 
        <li><a href = "link2.html">第2个</a></li> 
        <li class = "i0 active"><a href = "link3.html"><span>第3个</span></a></li> 
        <li class = "i1 active"><a href = "link4.html">第4个</a></li> 
        <li><a href = "link5.html">第5个</a></li> 
    </ul> 
</div> 
''' 
py= pq(html) 

• 获取标签元素

目标：比如我们需要获取html中的li标签

#方式一 
print(py('li')) 
 
#方式二 
# 注意下面id 前面需要加上#,class 前面需要加上. 
print(py('#container .list li')) 

这里有两种获取方式，第一种比较简单，第二种方法定位更加准确。针对上述的html源码，这两种方式获取的结果是一样的，其结果如下：

<li>第1个</li> 
<li><a href="link2.html">第2个</a></li> 
<li class="i0 active"><a href="link3.html"><span>第3个</span></a></li> 
<li class="i1 active"><a href="link4.html">第4个</a></li> 
<li><a href="link5.html">第5个</a></li> 

• 查询子级标签元素

目标：获取class为list的ul标签下的所有子标签(li标签)，其代码如下：

items = py('.list') 
lis = items.children() 
print(lis) 

最后打印输出的结果同上，都是把所有的li标签打印输出。

• 查询父级标签元素

目标：获取class为list的ul标签的上一级标签(div标签)，其代码如下：

items = py('.list') 
pa = items.parent() 
print(pa) 

打印输出结果：

<div id="container"> 
    <ul> 
        <li>第1个</li> 
        <li><a href="link2.html">第2个</a></li> 
        <li class="i0 active"><a href="link3.html"><span>第3个</span></a></li> 
        <li class="i1 active"><a href="link4.html">第4个</a></li> 
        <li><a href="link5.html">第5个</a></li> 
    </ul> 
</div> 

• 获取元素信息

目标：获取class为i0 active的a标签元素，并提取出a标签元素的相关信息

a = py('.i0.active a') 
# 标签内容 
print(a) 
# 获取属性(两种方式) 
print(a.attr.href) 
print(a.attr('href')) 
# 获取文本 
print(a.text()) 
# 获取<a>标签里的源码 
print(a.html()) 

结果：

<a href="link3.html"><span>第3个</span></a> 
link3.html 
link3.html 
第3个 
<span>第3个</span> 

3. 实战：抓取由关键字搜索的结果

内容：抓取小说网站由关键字搜索的结果，并采集结果中小说的书名和链接

思路：首先在小说网站里面搜索关键字：斗罗，然后利用爬虫抓取搜索返回的结果中小说的书名和链接，这过程中通过pyquery去解析网页源码，最后提取出数据。

链接：http://book.chenlove.cn/search.html?keyword=斗罗

在浏览器中访问链接：

在编写之前先分析一下网页源码：

查看源代码，可以知道每一本书的数据都在class为bigpic-book-name的a标签中，首先使用pyquery去解析其a标签，然后进行循环遍历。

完整代码如下：

from pyquery import PyQuery as pq 
import requests 
# 设置代理服务器 
headers = { 
    'User_Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36' 
} 
#请求连接 
url = "http://book.chenlove.cn/search.html?keyword=斗罗" 
response = requests.get(url, headers=headers) 
if response.status_code == 200: 
    # 转化为utf-8格式，不加这条语句，输出爬取的信息为乱码 
    response.encoding = 'utf8' 
    # 把网页解析为pyquery对象 
    py = pq(response.text) 
    a_list = py('.bigpic-book-name').items() 
    for i in a_list: 
        # 获取书名 
        print(i.text()) 
        # 获取书名链接 
        print(i.attr('href')) 

上一小节我们学会了如何去提取a标签中的内容和链接，同样的这里一样使用text()和attr()去解析内容和链接。

结果：

智行斗罗 
/novel/235.html 
从炸掉魂环开始的斗罗 
/novel/219.html 
旅途从斗罗开始 
/novel/195.html 
斗罗之卡BUG 
/novel/159.html 
终极斗罗 
/novel/54.html 

本文转载自微信公众号「Python研究者」，可以通过以下二维码关注。转载本文请联系Python研究者公众号。