如果你對Web有所涉及，如果你比較喜歡用CSS選擇器，如果你對jQuery有所了解，那麽這裏有一個更適合你的解析庫——pyquery。

接下來，我們就來感受一下pyquery的強大之處。

1. 準備工作

在開始之前，請確保已經正確安裝好了pyquery。若沒有安裝pip install pyquery。

2. 初始化

像Beautiful Soup一樣，初始化pyquery的時候，也需要傳入HTML文本來初始化一個PyQuery對象。它的初始化方式有多種，比如直接傳入字符串，傳入URL，傳入文件名，等等。下面我們來詳細介紹一下。

字符串初始化

首先，我們用一個實例來感受一下：

html = ‘‘‘
 


<div>

    <ul>

         <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>

     </ul>

</div>

 
‘‘‘

from pyquery import PyQuery as pq

html_query = pq(html)

print(html_query(‘li‘))

這裏首先引入PyQuery這個對象，取別名為pq。然後聲明了一個長HTML字符串，並將其當作參數傳遞給PyQuery類，這樣就成功完成了初始化。接下來，將初始化的對象傳入CSS選擇器。在這個實例中，我們傳入li節點，這樣就可以選擇所有的li節點。但是它們不是列表。

URL初始化

初始化的參數不僅可以以字符串的形式傳遞，還可以傳入網頁的URL，此時只需要指定參數為url即可：

from pyquery import
 
 PyQuery as pq

html_query = pq(url=‘http://www.baidu.com‘)

print(html_query (‘title‘))

這樣的話，PyQuery對象會首先請求這個URL，然後用得到的HTML內容完成初始化，這其實就相當於用網頁的源代碼以字符串的形式傳遞給PyQuery類來初始化。

它與下面的功能是相同的：

from pyquery import PyQuery as pq

import requests

html_query = pq(requests.get(‘http://cuiqingcai.com‘).text)

print(html_query (‘title‘))

 

文件初始化

當然，除了傳遞URL，還可以傳遞本地的文件名，此時將參數指定為filename即可：

from pyquery import PyQuery as pq

html_query = pq(filename=‘demo.html‘)

print(html_query (‘li‘))

當然，這裏需要有一個本地HTML文件demo.html，其內容是待解析的HTML字符串。這樣它會首先讀取本地的文件內容，然後用文件內容以字符串的形式傳遞給PyQuery類來初始化。以上3種初始化方式均可，當然最常用的初始化方式還是以字符串形式傳遞。

3. 基本CSS選擇器

首先，用一個實例來感受pyquery的CSS選擇器的用法：

html = ‘‘‘

<div id="container">

    <ul class="list">

         <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>

     </ul>

</div>

‘‘‘

from pyquery import PyQuery as pq

html_query = pq(html)

print(html_query (‘#container .list li‘))

print(type(html_query (‘#container .list li‘)))

這裏我們初始化PyQuery對象之後，傳入了一個CSS選擇器#container .list li，它的意思是先選取id為container的節點，然後再選取其內部的class為list的節點內部的所有li節點。然後，打印輸出。可以看到，我們成功獲取到了符合條件的節點。最後，將它的類型打印輸出。可以看到，它的類型依然是PyQuery類型。

4. 查找節點

下面我們介紹一些常用的查詢函數，這些函數和jQuery中函數的用法完全相同。

子節點

查找子節點時，需要用到find()方法，此時傳入的參數是CSS選擇器。這裏還是以前面的HTML為例：

from pyquery import PyQuery as pq

html_query = pq(html)

items = html_query (‘.list‘)

print(type(items))

print(items)

lis = items.find(‘li‘)

print(type(lis))

print(lis)

首先，我們選取class為list的節點，然後調用了find()方法，傳入CSS選擇器，選取其內部的li節點，最後打印輸出。可以發現，find()方法會將符合條件的所有節點選擇出來，結果的類型是PyQuery類型。

其實find()的查找範圍是節點的所有子孫節點，而如果我們只想查找子節點，那麽可以用children()方法

lis = items.children()

print(type(lis))

print(lis)

如果要篩選所有子節點中符合條件的節點，比如想篩選出子節點中class為active的節點，可以向children()方法傳入CSS選擇器.active：

lis = items.children(‘.active‘)

print(lis)

可以看到，輸出結果已經做了篩選，留下了class為active的節點。

父節點

我們可以用parent()方法來獲取某個節點的父節點，示例如下：

html = ‘‘‘

<div class="wrap">

    <div id="container">

        <ul class="list">

             <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>

         </ul>

     </div>

</div>

‘‘‘

from pyquery import PyQuery as pq

doc = pq(html)

items = doc(‘.list‘)

container = items.parent()

print(type(container))

print(container)

這裏我們首先用.list選取class為list的節點，然後調用parent()方法得到其父節點，其類型依然是PyQuery類型。

這裏的父節點是該節點的直接父節點，也就是說，它不會再去查找父節點的父節點，即祖先節點。

但是如果想獲取某個祖先節點，該怎麽辦呢？這時可以用parents()方法：

from pyquery import PyQuery as pq

doc = pq(html)

items = doc(‘.list‘)

parents = items.parents()

print(type(parents))

print(parents)

可以看到，輸出結果有兩個：一個是class為wrap的節點，一個是id為container的節點。也就是說，parents()方法會返回所有的祖先節點。

如果想要篩選某個祖先節點的話，可以向parents()方法傳入CSS選擇器，這樣就會返回祖先節點中符合CSS選擇器的節點：

parent = items.parents(‘.wrap‘)

print(parent)

可以看到，輸出結果少了一個節點，只保留了class為wrap的節點。

兄弟節點

前面我們說明了子節點和父節點的用法，還有一種節點，那就是兄弟節點。如果要獲取兄弟節點，可以使用siblings()方法。這裏還是以上面的HTML代碼為例：

from pyquery import PyQuery as pq

doc = pq(html)

li = doc(‘.list .item-0.active‘)

print(li.siblings())

這裏首先選擇class為list的節點內部class為item-0和active的節點，也就是第三個li節點。那麽，很明顯，它的兄弟節點有4個，那就是第一、二、四、五個li節點。

可以看到，這正是我們剛才所說的4個兄弟節點。

如果要篩選某個兄弟節點，我們依然可以向siblings方法傳入CSS選擇器，這樣就會從所有兄弟節點中挑選出符合條件的節點了：

from pyquery import PyQuery as pq

doc = pq(html)

li = doc(‘.list .item-0.active‘)

print(li.siblings(‘.active‘))

這裏我們篩選了class為active的節點，通過剛才的結果可以觀察到，class為active的兄弟節點只有第四個li節點，所以結果應該是一個。

5. 遍歷

剛才可以觀察到，pyquery的選擇結果可能是多個節點，也可能是單個節點，類型都是PyQuery類型，並沒有返回像Beautiful Soup那樣的列表。

對於單個節點來說，可以直接打印輸出，也可以直接轉成字符串：

from pyquery import PyQuery as pq

doc = pq(html)

li = doc(‘.item-0.active‘)

print(li)

print(str(li))

對於多個節點的結果，我們就需要遍歷來獲取了。例如，這裏把每一個li節點進行遍歷，需要調用items()方法：

from pyquery import PyQuery as pq

doc = pq(html)

lis = doc(‘li‘).items()

print(type(lis))

for li in lis:

    print(li, type(li))

可以發現，調用items()方法後，會得到一個生成器，遍歷一下，就可以逐個得到li節點對象了，它的類型也是PyQuery類型。每個li節點還可以調用前面所說的方法進行選擇，比如繼續查詢子節點，尋找某個祖先節點等，非常靈活。

eq方法可以通過索引拿到響應位置的li節點，也是pyquery對象

lis = doc(‘li‘).eq(0)    

這樣表示拿到了第一個li pyquery對象

6. 獲取信息

提取到節點之後，我們的最終目的當然是提取節點所包含的信息了。比較重要的信息有兩類，一是獲取屬性，二是獲取文本，下面分別進行說明。

獲取屬性

提取到某個PyQuery類型的節點後，就可以調用attr()方法來獲取屬性：

html = ‘‘‘

<div class="wrap">

    <div id="container">

        <ul class="list">

             <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>

         </ul>

     </div>

</div>

‘‘‘

from pyquery import PyQuery as pq

doc = pq(html)

a = doc(‘.item-0.active a‘)

print(a, type(a))

print(a.attr(‘href‘))

這裏首先選中class為item-0和active的li節點內的a節點，它的類型是PyQuery類型。

然後調用attr()方法。在這個方法中傳入屬性的名稱，就可以得到這個屬性值了。

此外，也可以通過調用attr屬性來獲取屬性，用法如下：

print(a.attr.href)

這兩種方法的結果完全一樣。

如果選中的是多個元素，然後調用attr()方法，會出現怎樣的結果呢？我們用實例來測試一下：

a = doc(‘a‘)

print(a, type(a))

print(a.attr(‘href‘))

print(a.attr.href)

照理來說，我們選中的a節點應該有4個，而且打印結果也應該是4個，但是當我們調用attr()方法時，返回結果卻只是第一個。這是因為，當返回結果包含多個節點時，調用attr()方法，只會得到第一個節點的屬性。

那麽，遇到這種情況時，如果想獲取所有的a節點的屬性，就要用到前面所說的遍歷了：

from pyquery import PyQuery as pq

doc = pq(html)

a = doc(‘a‘)

for item in a.items():

    print(item.attr(‘href‘))

因此，在進行屬性獲取時，可以觀察返回節點是一個還是多個，如果是多個，則需要遍歷才能依次獲取每個節點的屬性。

獲取文本

獲取節點之後的另一個主要操作就是獲取其內部的文本了，此時可以調用text()方法來實現：

html = ‘‘‘

<div class="wrap">

    <div id="container">

        <ul class="list">

             <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>

         </ul>

     </div>

</div>

‘‘‘

from pyquery import PyQuery as pq

doc = pq(html)

a = doc(‘.item-0.active a‘)

print(a)

print(a.text())

這裏首先選中一個a節點，然後調用text()方法，就可以獲取其內部的文本信息。此時它會忽略掉節點內部包含的所有HTML，只返回純文字內容。

但如果想要獲取這個節點內部的HTML文本，就要用html()方法了：

from pyquery import PyQuery as pq

doc = pq(html)

li = doc(‘.item-0.active‘)

print(li)

print(li.html())

這裏我們選中了第三個li節點，然後調用了html()方法，它返回的結果應該是li節點內的所有HTML文本。

這裏同樣有一個問題，如果我們選中的結果是多個節點，text()或html()會返回什麽內容？我們用實例來看一下：

html = ‘‘‘

<div class="wrap">

    <div id="container">

        <ul class="list">

             <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>

         </ul>

     </div>

</div>

‘‘‘

from pyquery import PyQuery as pq

doc = pq(html)

li = doc(‘li‘)

print(li.html())

print(li.text())

print(type(li.text())

結果可能比較出乎意料，html()方法返回的是第一個li節點的內部HTML文本，而text()則返回了所有的li節點內部的純文本，中間用一個空格分割開，即返回結果是一個字符串。

所以這個地方值得註意，如果得到的結果是多個節點，並且想要獲取每個節點的內部HTML文本，則需要遍歷每個節點。而text()方法不需要遍歷就可以獲取，它將所有節點取文本之後合並成一個字符串。

7. 節點操作

pyquery提供了一系列方法來對節點進行動態修改，比如為某個節點添加一個class，移除某個節點等，這些操作有時候會為提取信息帶來極大的便利。

由於節點操作的方法太多，下面舉幾個典型的例子來說明它的用法。

addClass和removeClass

我們先用實例來感受一下：

html = ‘‘‘

<div class="wrap">

    <div id="container">

        <ul class="list">

             <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>

         </ul>

     </div>

</div>

‘‘‘

from pyquery import PyQuery as pq

doc = pq(html)

li = doc(‘.item-0.active‘)

print(li)

li.removeClass(‘active‘)

print(li)

li.addClass(‘active‘)

print(li)

首先選中了第三個li節點，然後調用removeClass()方法，將li節點的active這個class移除，後來又調用addClass()方法，將class添加回來。每執行一次操作，就打印輸出當前li節點的內容。

可以看到，一共輸出了3次。第二次輸出時，li節點的active這個class被移除了，第三次class又添加回來了。

所以說，addClass()和removeClass()這些方法可以動態改變節點的class屬性。

attr、text和html

當然，除了操作class這個屬性外，也可以用attr()方法對屬性進行操作。此外，還可以用text()和html()方法來改變節點內部的內容。示例如下：

html = ‘‘‘

<ul class="list">

     <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>

</ul>

‘‘‘

from pyquery import PyQuery as pq

doc = pq(html)

li = doc(‘.item-0.active‘)

print(li)

li.attr(‘name‘, ‘link‘)

print(li)

li.text(‘changed item‘)

print(li)

li.html(‘<span>changed item</span>‘)

print(li)

這裏我們首先選中li節點，然後調用attr()方法來修改屬性，其中該方法的第一個參數為屬性名，第二個參數為屬性值。接著，調用text()和html()方法來改變節點內部的內容。三次操作後，分別打印輸出當前的li節點。

可以發現，調用attr()方法後，li節點多了一個原本不存在的屬性name，其值為link。接著調用text()方法，傳入文本之後，li節點內部的文本全被改為傳入的字符串文本了。最後，調用html()方法傳入HTML文本後，li節點內部又變為傳入的HTML文本了。

所以說，如果attr()方法只傳入第一個參數的屬性名，則是獲取這個屬性值；如果傳入第二個參數，可以用來修改屬性值。text()和html()方法如果不傳參數，則是獲取節點內純文本和HTML文本；如果傳入參數，則進行賦值。

remove()

顧名思義，remove()方法就是移除，它有時會為信息的提取帶來非常大的便利。下面有一段HTML文本：

html = ‘‘‘

<div class="wrap">

    Hello, World

    <p>This is a paragraph.</p>

</div>

‘‘‘

from pyquery import PyQuery as pq

doc = pq(html)

wrap = doc(‘.wrap‘)

print(wrap.text())

現在想提取Hello, World這個字符串，而不要p節點內部的字符串，需要怎樣操作呢？

這裏直接先嘗試提取class為wrap的節點的內容，看看是不是我們想要的。運行結果如下：

這個結果還包含了內部的p節點的內容，也就是說text()把所有的純文本全提取出來了。如果我們想去掉p節點內部的文本，可以選擇再把p節點內的文本提取一遍，然後從整個結果中移除這個子串，但這個做法明顯比較煩瑣。

這時remove()方法就可以派上用場了，我們可以接著這麽做:

wrap.find(‘p‘).remove()

print(wrap.text())

首先選中p節點，然後調用了remove()方法將其移除，然後這時wrap內部就只剩下Hello, World這句話了，然後再利用text()方法提取即可。

另外，其實還有很多節點操作的方法，比如append()、empty()和prepend()等方法，它們和jQuery的用法完全一致，詳細的用法可以參考官方文檔：http://pyquery.readthedocs.io/en/latest/api.html。

8. 偽類選擇器

CSS選擇器之所以強大，還有一個很重要的原因，那就是它支持多種多樣的偽類選擇器，例如選擇第一個節點、最後一個節點、奇偶數節點、包含某一文本的節點等。示例如下：

html = ‘‘‘

<div class="wrap">

    <div id="container">

        <ul class="list">

             <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>

         </ul>

     </div>

</div>

‘‘‘

from pyquery import PyQuery as pq

doc = pq(html)

li = doc(‘li:first-child‘)

print(li)

li = doc(‘li:last-child‘)

print(li)

li = doc(‘li:nth-child(2)‘)

print(li)

li = doc(‘li:gt(2)‘)

print(li)

li = doc(‘li:nth-child(2n)‘)

print(li)<code class="lang-python"><span class="pln">

li </span><span class="pun">=</span><span class="pln"> doc</span><span class="pun">(</span><span class="str">‘li:contains(second)‘</span><span class="pun">)</span>

<span class="kwd">print</span><span class="pun">(</span><span class="pln">li</span><span class="pun">)</span>

這裏我們使用了CSS3的偽類選擇器，依次選擇了第一個li節點、最後一個li節點、第二個li節點、第三個li之後的li節點、偶數位置的li節點、包含second文本的li節點。

關於CSS選擇器的更多用法，可以參考http://www.w3school.com.cn/css/index.asp。

到此為止，pyquery的常用用法就介紹完了。如果想查看更多的內容，可以參考pyquery的官方文檔：http://pyquery.readthedocs.io。我們相信有了它，解析網頁不再是難事。

解析庫——pyquery 的用法