pyquery：轻松、灵活的处理html

2024-03-17 20:20:34

介绍

pyquery是一个专门用来解析html的库，从名字很容易想到jQuery，没错，这完全是仿照jQuery的语法实现的。如果用过jQuery，俺么pyquery很容易实现

初始化html

pyquery可以接收一个网址，自动下载内容，也可以接收已经下载好的字符串格式的html，当然也可以传入一个本地html文件。但是我们一般都会使用requests下载html页面，然后再将html页面以字符串的格式传进去

from pyquery import PyQuery


html = '''
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>古明地觉</title>
</head>
<body>
    <p id="bili"><a href="http://www.bilibili.com">想进入基佬的大门吗？还等什么，快点击吧</a></p>
    <p class="s1">my name is satori</p>
    <div>
        <p class="s1">古明地恋</p>
    </div>
    <table >
        <tbody>
            <tr>
                <td>姓名：</td>
                <td><input type="text" name="name"></td>
            </tr>
            <tr class="tr">
                <td>密码：</td>
                <td><input type="password" name="password"></td>
            </tr>
            <tr>
                <td></td>
                <td><input type="submit" value="提交"></td>
            </tr>
        </tbody>
    </table>
    <a href="http://www.baidu.com" target="_blank">百度</a>
    <a href="http://www.yahoo.com">雅虎</a>
</body>
</html>   
'''

p = PyQuery(html)  # 此时得到的是一个pyquery对象
print(type(p))  # <class 'pyquery.pyquery.PyQuery'>

# 如果打印p的话，会直接将我们传入的html打印出来，只不过p的类型是PyQuery

使用选择器

from pyquery import PyQuery


html = '''
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>古明地觉</title>
</head>
<body>
    <p id="bili"><a href="http://www.bilibili.com">想进入基佬的大门吗？还等什么，快点击吧</a></p>
    <p class="s1">my name is satori</p>
    <div>
        <p class="s1">古明地恋</p>
    </div>
    <table >
        <tbody>
            <tr>
                <td>姓名：</td>
                <td><input type="text" name="name"></td>
            </tr>
            <tr class="tr">
                <td>密码：</td>
                <td><input type="password" name="password"></td>
            </tr>
            <tr>
                <td></td>
                <td><input type="submit" value="提交"></td>
            </tr>
        </tbody>
    </table>
    <a href="http://www.baidu.com" target="_blank">百度</a>
    <a href="http://www.yahoo.com">雅虎</a>
</body>
</html>   
'''

p = PyQuery(html)
# 标签选择器
# 打印出标签为head的内容
print(p("head"))
"""
<head>
    <meta charset="UTF-8"/>
    <title>古明地觉</title>
</head>
"""
# 但是需要注意的是，这个打印出来的依旧是一个PyQuery类型
# 意味着我们可以进一步过滤，但是如果我想要字符串的话呢？直接调用str方法即可
print(str(p("head")))
"""
<head>
    <meta charset="UTF-8"/>
    <title>古明地觉</title>
</head>
"""
# 或者调用html方法，但是此时获取到的不包括相应的标签名
# head标签本身没了，只保留里面的内容，此时也是一个字符串的类型
print(p("head").html())
"""

    <meta charset="UTF-8"/>
    <title>古明地觉</title>

"""
# 但如果有很多标签，比如p标签,在调用html方法的时候，只会打印第一个p标签里面的内容
print(p("p"))
"""
<p id="bili"><a href="http://www.bilibili.com">想进入基佬的大门吗？还等什么，快点击吧</a></p>
    <p class="s1">my name is satori</p>
    <p class="s1">古明地恋</p>
"""
print(p("p").html())
"""
<a href="http://www.bilibili.com">想进入基佬的大门吗？还等什么，快点击吧</a>
"""

# 获取文本
print(p("head").text())
"""
古明地觉
"""
# 可以看到只获取了纯文本，因为只能title标签里面有文本，而title在head里面

# css选择器
# 获取id=bili的标签
print(p("#bili"))
"""
<p id="bili"><a href="http://www.bilibili.com">想进入基佬的大门吗？还等什么，快点击吧</a></p>

"""

# 获取class=s1的标签
print(p(".s1"))
"""
<p class="s1">my name is satori</p>
    <p class="s1">古明地恋</p>
"""

# 获取tbody下的class=tr的标签下的所有td标签
print(p("tbody .tr td"))
"""
<td>密码：</td>
                <td><input type="password" name="password"/></td>
            
"""
# 可以看到这和jQuery的语法基本上是一致的
# 如果我只想获取第一个的话,索引要是越界的话，也不会报错，会打印空行
print(p("tbody .tr td").eq(0))
"""
<td>密码：</td>
"""

# 常用方法：
'''
p(".color")：获取class=color的标签
p("#color")：获取id=color的标签
p("*")：获取所有的标签
p("p")：获取所有的p标签
p("div,p")：获取所有的div标签和p标签
p("div p")：获取所有div标签内部的p标签
p("[target]")：选择带有target属性的所有元素
p("[target=_blank]")：选择带有target=_blank的所有元素
'''

filter和find

from pyquery import PyQuery


html = '''
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>古明地觉</title>
</head>
<body>
    <p id="bili"><a href="http://www.bilibili.com">想进入基佬的大门吗？还等什么，快点击吧</a></p>
    <p class="s1">my name is satori</p>
    <div>
        <p class="s1">古明地恋</p>
    </div>
    <table >
        <tbody>
            <tr>
                <td>姓名：</td>
                <td><input type="text" name="name"></td>
            </tr>
            <tr class="tr">
                <td>密码：</td>
                <td><input type="password" name="password"></td>
            </tr>
            <tr>
                <td></td>
                <td><input type="submit" value="提交"></td>
            </tr>
        </tbody>
    </table>
    <a href="http://www.baidu.com" target="_blank">百度</a>
    <a href="http://www.yahoo.com">雅虎</a>
</body>
</html>   
'''

p = PyQuery(html)

print(p("p"))  # 这是所有的p标签
"""
<p id="bili"><a href="http://www.bilibili.com">想进入基佬的大门吗？还等什么，快点击吧</a></p>
    <p class="s1">my name is satori</p>
    <p class="s1">古明地恋</p>
    
"""

# 我只要class=s1的p标签，可以使用filter过滤
print(p("p").filter(".s1"))  # 表示在找到的p标签中，过滤出class=s1的p标签
"""
<p class="s1">my name is satori</p>
    <p class="s1">古明地恋</p>
    
"""

# 如果要按照文本过滤呢？比如我想找出文本内容等于'古明地恋'的p标签
print(p("p").filter(lambda _, this: PyQuery(this).text() == '古明地恋'))
"""
<p class="s1">古明地恋</p>
    
"""

# find
# 首先filter是过滤得到符合条件的标签
# 而find是在符合条件的标签里面找
# 举个例子
"""
p("p").filter(".fuck")表示的是有很多的p标签，我在选出的这么多p标签中，找到class=fuck的p标签
p("p").find(".fuck")表示的是有很多的p标签，我在选出的这么多p标签中，找到其内部满足class=fuck的其他标签
"""
print(p("div").filter(".s1"))
"""

"""
print(p("div").find(".s1"))
"""
<p class="s1">古明地恋</p>
    
"""
# 可以看到p("div").filter(".s1")是空的，因为这表示在选出来的div标签中，找出class=s1的div
# 而p("div").find(".s1")表示找到div里面满足class=s1的其他标签

# filter和find可以无限使用的，因为返回的都是一个PyQuery类型
# p("div p .cls li a") == p("div").find("p").find(".cls").find("li").find("a")

获取属性

from pyquery import PyQuery


html = '''
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>古明地觉</title>
</head>
<body>
    <p id="bili"><a href="http://www.bilibili.com">想进入基佬的大门吗？还等什么，快点击吧</a></p>
    <p class="s1">my name is satori</p>
    <div>
        <p class="s1">古明地恋</p>
    </div>
    <table >
        <tbody>
            <tr>
                <td>姓名：</td>
                <td><input type="text" name="name"></td>
            </tr>
            <tr class="tr">
                <td>密码：</td>
                <td><input type="password" name="password"></td>
            </tr>
            <tr>
                <td></td>
                <td><input type="submit" value="提交"></td>
            </tr>
        </tbody>
    </table>
    <a href="http://www.baidu.com" target="_blank">百度</a>
    <a href="http://www.yahoo.com">雅虎</a>
</body>
</html>   
'''

p = PyQuery(html)

a_tag = p("a")
print(a_tag.attr("href"))  # http://www.bilibili.com

"""
可以直接调用attr方法，传入要获取的属性值即可。
但是注意到即便满足条件的标签有多个，和html一样，调用attr获取的时候只会得到第一个
"""
# 因此可以使用eq
print(p("a").eq(0).attr("href"))  # http://www.bilibili.com
print(p("a").eq(1).attr("href"))  # http://www.baidu.com

# 但是还有一个问题，就是我们不知道获得了几个p标签
# 难道要一个一个的数吗？
# 当然不用，一种笨的方法，就是我不断的循环，如果没有内容了就break
# 但是PyQuery内部给我们提供了一个items方法，可以自动的迭代，如果迭代完毕自动退出。
for i in p("a").items():
    print(i.attr("href"))
"""
http://www.baidu.com
http://www.yahoo.com
"""
上一篇：使用pyquery


下一篇：Lambdify与Python一起使用,但是在Cython中引发异常