当前位置：首页 > news >正文

爬虫解析库：pyquery的详细使用

news 来源：原创 2025/5/24 19:53:30

文章目录

- 1. 安装 pyquery
- 2. 基本用法
- 3. 选择元素
- 4. 遍历元素
- 5. 提取数据
- 6. 修改元素
- 7. 过滤元素
- 8. 链式调用
- 9. 结合 requests 使用
- 10. 示例：抓取并解析网页
- 11. 注意事项

pyquery 是一个类似于 jQuery 的 Python 库，用于解析 HTML 和 XML 文档。它提供了简洁的 API，可以方便地提取和操作网页中的数据。以下是 pyquery 的详细使用方法：

1. 安装 pyquery

首先，确保你已经安装了 pyquery。你可以通过以下命令安装：pip install pyquery

2. 基本用法

初始化：可以从字符串、文件或 URL 初始化 pyquery 对象：

from pyquery import PyQuery as pq

# 从字符串初始化
html = """
<div id="container">
    <p class="item">Item 1</p>
    <p class="item">Item 2</p>
    <p class="item">Item 3</p>
</div>
"""
doc = pq(html)

# 从文件初始化
doc = pq(filename='example.html')

# 从 URL 初始化
doc = pq(url='https://example.com')

3. 选择元素

pyquery 支持类似 jQuery 的选择器语法。

通过标签名选择

# 选择所有 <p> 标签
p_tags = doc('p')
print(p_tags)

通过类名选择

# 选择所有 class 为 "item" 的元素
items = doc('.item')
print(items)

通过 ID 选择

# 选择 id 为 "container" 的元素
container = doc('#container')
print(container)

通过属性选择

# 选择所有具有 href 属性的 <a> 标签
links = doc('a[href]')
print(links)

4. 遍历元素

遍历子元素

# 遍历所有 class 为 "item" 的元素
for item in doc('.item').items():
    print(item.text())

获取父元素

# 获取第一个 class 为 "item" 的父元素
parent = doc('.item').parent()
print(parent)

获取兄弟元素

# 获取第一个 class 为 "item" 的兄弟元素
siblings = doc('.item').siblings()
print(siblings)

5. 提取数据

获取文本内容

# 获取第一个 class 为 "item" 的文本内容
text = doc('.item').eq(0).text()
print(text)

获取 HTML 内容

# 获取第一个 class 为 "item" 的 HTML 内容
html = doc('.item').eq(0).html()
print(html)

获取属性值

# 获取第一个 <a> 标签的 href 属性
href = doc('a').eq(0).attr('href')
print(href)

6. 修改元素

修改文本内容

# 修改第一个 class 为 "item" 的文本内容
doc('.item').eq(0).text('New Item')
print(doc)

修改 HTML 内容

# 修改第一个 class 为 "item" 的 HTML 内容
doc('.item').eq(0).html('<span>New Item</span>')
print(doc)

修改属性值

# 修改第一个 <a> 标签的 href 属性
doc('a').eq(0).attr('href', 'https://newexample.com')
print(doc)

7. 过滤元素

过滤符合条件的元素

# 过滤出 class 为 "item" 且包含 "2" 的元素
filtered_items = doc('.item').filter(lambda i: '2' in pq(this).text())
print(filtered_items)

排除不符合条件的元素

# 排除 class 为 "item" 且包含 "3" 的元素
filtered_items = doc('.item').not_(lambda i: '3' in pq(this).text())
print(filtered_items)

8. 链式调用

pyquery 支持链式调用，可以在一行代码中完成多个操作：

# 获取第一个 class 为 "item" 的父元素的 HTML 内容
result = doc('.item').eq(0).parent().html()
print(result)

9. 结合 requests 使用

pyquery 通常与 requests 库结合使用，用于抓取网页并解析：

import requests
from pyquery import PyQuery as pq

# 抓取网页内容
response = requests.get('https://example.com')
html = response.text

# 解析网页
doc = pq(html)

# 提取数据
title = doc('title').text()
print(title)

10. 示例：抓取并解析网页

以下是一个完整的示例，展示如何使用 pyquery 抓取并解析网页数据：

import requests
from pyquery import PyQuery as pq

# 抓取网页内容
url = 'https://example.com'
response = requests.get(url)
html = response.text

# 解析网页
doc = pq(html)

# 提取标题
title = doc('title').text()
print("网页标题:", title)

# 提取所有链接
links = doc('a[href]')
for link in links.items():
    href = link.attr('href')
    text = link.text()
    print(f"链接文本: {text}, 链接地址: {href}")

# 提取特定元素的内容
items = doc('.item')
for item in items.items():
    print("内容:", item.text())