【爬虫解析2】：pyquery总结

uule

浏览: 6351535 次
性别:
来自: 一片神奇的土地

最近访客更多访客>>

wangenbao1

hyjqdy

逆光下的轮廓

taominghua

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

Python

使用 pyQuery 解析HTML内容

https://segmentfault.com/a/1190000005182997

http://blog.csdn.net/cnmilan/article/details/8727308

安装 pyquery 即可：

pip install pyquery

初始化：

直接加载一个html串

v_source=pq("")

加载位于指定路径下的html文件

v_source=pq(filename=path_to_html_file)

加载url地址直接进行解析

v_source=pq(url='http://yunvs.com/list/mai_1.html')

网页请求

PyQuery 本身还有网页请求功能，而且会把请求下来的网页代码转为 PyQuery 对象。

一般我们不会用 PyQuery 来做网络请求，仅仅是用来解析。

from pyquery import PyQuery as pq

print pq('http://cuiqingcai.com/', headers={'user-agent': 'pyquery'})

print pq('http://httpbin.org/post', {'foo': 'bar'}, method='post', verify=True)

GET，POST，样样通。

例子：

from pyquery import PyQuery as pyq
 
html = '''
<html>
    <title>这是标题</title>
<body>
    <p id="hi">Hello</p>
    <ul>
        <li>list1</li>
        <li>list2</li>
    </ul>
</body>
</html>
'''
 
jq = pyq(html)
print jq('title')            # 获取 title 标签的源码
# <title>这是标题</title>
print jq('title').text()     # 获取 title 标签的内容
# 这是标题
print jq('#hi').text()       # 获取 id 为 hi 的标签的内容
# Hello
 
li = jq('li')                # 处理多个元素
for i in li:
    print pyq(i).text()
# list1
# list2

遍历

遍历用到 items 方法返回对象列表，或者用 lambda

from pyquery import PyQuery as pq
doc = pq(filename='hello.html')
lis = doc('li')
for li in lis.items():
    print li.html()

print lis.each(lambda e: e)

运行结果

first item
<a href="link2.html">second item</a>
<a href="link3.html"><span class="bold">third item</span></a>
<a href="link4.html">fourth item</a>
<a href="link5.html">fifth item</a>
<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>

=================================================================

例子：使用PyQuery爬取豆瓣某电影的演员表：

HTML：

<h1>
	<span property="v:itemreviewed">蝙蝠侠：侠影之谜 Batman Begins</span>
	<span class="year">(2005)</span>
</h1>
<div id="info">
        <span ><span class='pl'>导演</span>: <span class='attrs'><a href="/celebrity/1054524/" rel="v:directedBy">克里斯托弗·诺兰</a></span></span><br/>
        <span ><span class='pl'>编剧</span>: <span class='attrs'><a href="/celebrity/1054524/">克里斯托弗·诺兰</a> / <a href="/celebrity/1036537/">大卫·S·高耶</a></span></span><br/>
        
		<span class="actor"><span class='pl'>主演</span>: 
		<span class='attrs'><a href="/celebrity/1005773/" rel="v:starring">克里斯蒂安·贝尔</a> / 
			<a href="/celebrity/1054509/" rel="v:starring">迈克尔·凯恩</a> / 
			<a href="/celebrity/1031220/" rel="v:starring">连姆·尼森</a> / 
			<a href="/celebrity/1053558/" rel="v:starring">凯蒂·霍尔姆斯</a> / 
			<a href="/celebrity/1010507/" rel="v:starring">加里·奥德曼</a> / 
			<a href="/celebrity/1047992/" rel="v:starring">基里安·墨菲</a> / 
			<a href="/celebrity/1036397/" rel="v:starring">汤姆·威尔金森</a> / 
			<a href="/celebrity/1054534/" rel="v:starring">摩根·弗里曼</a> / 
			<a href="/celebrity/1027181/" rel="v:starring">渡边谦</a></span>
		</span><br/>
        <span class="pl">类型:</span> 
		<span property="v:genre">剧情</span> / 
		<span property="v:genre">动作</span> / 
		<span property="v:genre">科幻</span> / 
		<span property="v:genre">惊悚</span> / 
		<span property="v:genre">犯罪</span><br/>        
        <span class="pl">制片国家/地区:</span> 美国 / 英国<br/>
        <span class="pl">语言:</span> 英语 / 乌尔都语 / 汉语普通话<br/>
        <span class="pl">上映日期:</span> <span property="v:initialReleaseDate" content="2005-06-29(中国大陆)">2005-06-29(中国大陆)</span> /
		<span property="v:initialReleaseDate" content="2005-06-15(美国)">2005-06-15(美国)</span><br/>
        <span class="pl">片长:</span> <span property="v:runtime" content="140">140分钟</span><br/>
        <span class="pl">又名:</span> 蝙蝠侠前传1：侠影之谜 / 蝙蝠侠：开战时刻(台) / 蝙蝠侠-侠影之谜(港) / 蝙蝠侠前传 / 蝙蝠侠5 / 蝙蝠侠诞生<br/>
        <span class="pl">IMDb链接:</span> <a href="http://www.imdb.com/title/tt0372784" target="_blank" rel="nofollow">tt0372784</a><br>

</div>

PY：

# coding=utf-8
from pyquery import PyQuery as pyq 

jq=pyq(url='http://movie.douban.com/subject/1309069/')

print("=============方法1==============")
#print(jq.html())
info=jq("#info").find("a[rel='v:starring']")
print(len(info))
print(info)

for data in info:
    print(jq(data).text())

otherInfo=jq("span[class='pl']")
#otherInfo=jq("#info").find("span[class='pl']")
print(len(otherInfo))
#print(otherInfo)

print("=============方法2==============")
starring = jq("a[rel='v:starring']").map(lambda i,e:pyq(e).text())  
print(jq("span[property='v:itemreviewed']").text())  
for data in starring:  
      print(data)

结果：

=============方法1==============

<a href="/celebrity/1005773/" rel="v:starring">克里斯蒂安·贝尔</a> / <a href="/celebrity/1054509/" rel="v:starring">迈克尔·凯恩</a> / <a href="/celebrity/1031220/" rel="v:starring">连姆·尼森</a> / <a href="/celebrity/1053558/" rel="v:starring">凯蒂·霍尔姆斯</a> / <a href="/celebrity/1010507/" rel="v:starring">加里·奥德曼</a> / <a href="/celebrity/1047992/" rel="v:starring">基里安·墨菲</a> / <a href="/celebrity/1036397/" rel="v:starring">汤姆·威尔金森</a> / <a href="/celebrity/1054534/" rel="v:starring">摩根·弗里曼</a> / <a href="/celebrity/1027181/" rel="v:starring">渡边谦</a>

克里斯蒂安·贝尔

迈克尔·凯恩

连姆·尼森

凯蒂·霍尔姆斯

加里·奥德曼

基里安·墨菲

汤姆·威尔金森

摩根·弗里曼

渡边谦

=============方法2==============

蝙蝠侠：侠影之谜 Batman Begins