中国领先的IT技术网站
|
|
创建专栏

以 jQuery 之名 - 爬虫利器 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。

作者:周鑫鑫|2017-09-08 15:04


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

  1. 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 。

(1)  导入相关的库

分别导入 网络请求库 requests、以及 pyquery 。

  1. import requests 
  2. import pyquery 

(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。

  1. # 请求简书地址 
  2. url = 'http://www.jianshu.com/' 
  3. req = requests.get(url) 
  4. page = req.text 
  5. # 导入 pyquery 处理 
  6. 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:

  1. url = 'http://www.baidu.com' 
  2. pq = pyquery.PyQuery(urlurl=url) 

(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:

  1. # 直接定位 head 标签 
  2. pqpq_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

以 jQuery 之名 - 爬虫利器 PyQuery

根据 id 定位找到这个 li 标签,代码如下:

  1. # 定位 id = note-11772642 的 li 标签 
  2. pqpq_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

  1. # 定位 class = have-img 的 li 标签 
  2. pqpq_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。

(4) 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

  1. # 遍历所有 class = have-img 的 li 标签 
  2. for li in pq_class:     
  3.     # 获取每一个 li 标签 
  4.     pqpq_li = pq(li) 

我们可以索引某一个 li 标签

使用.ep(index) 函数。

  1. # 获取第一个 li 标签 
  2. li_first = pq_class.ep(0) 
  3. # 获取第二个 li 标签 
  4. li_second = pq_class.ep(1) 

(5) 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

  1. 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

  1. p_tag = li_spec.find('p') 

(6) 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

  1. # 获取 id 属性的方法 
  2. li_specli_spec_id = li_spec.attr('id') 
  3. li_specli_spec_id_2 = li_spec.attr.id 
  4. li_specli_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。

  1. 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

【本文是51CTO专栏机构“Crossin的编程教室”的原创文章,转载请通过微信公众号(rossincode)联系原作者】

戳这里,看该作者更多好文

【编辑推荐】

  1. 高级架构师实战:如何用最小的代价完成爬虫需求
  2. 基于 Node.js 的声明式可监控爬虫网络
  3. 外媒速递:五款jQuery插件轻松实现树状视图
  4. JQuery Data方法的一个小特技
  5. 航空公司与爬虫的战争:特价票的真相与内幕
【责任编辑:赵宁宁 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

热门职位+更多

× 学习达标赢Beats耳机