一起學爬蟲——PyQuery常用用法總結
什麼是PyQuery
PyQuery是一個類似於jQuery的解析網頁工具，使用lxml操作xml和html文件，它的語法和jQuery很像。和XPATH，Beautiful Soup比起來，PyQuery更加靈活，提供增加節點的class資訊，移除某個節點，提取文字資訊等功能。
初始化PyQuery物件
html文件的所有操作都需要PyQuery物件來完成，初始化PyQuery物件主要有三種方式，分別是通過網址、字串和檔名建立。
方式一：通過網址初始化PyQyery物件
先看一段程式碼：
from pyquery import PyQuery as pq
s = '<html><title>PyQuery用法總結<title></html>'
doc = pq(s)
print(doc('title'))
執行結果：
<title>PyQuery用法總結</title>
首先要import PyQuery類，然後將字串傳遞給PyQuery類，這樣就生成了一個PyQuery物件，通過該物件就可以訪問字串中的title節點。
PyQuery還會將殘缺的html文件補全。看下面的程式碼：
from pyquery import PyQuery as pq
s = '<html><title>PyQuery用法總結</title>'
doc = pq(s)
print(doc('html'))
執行的結果：
<html><head><title>PyQuery用法總結</title></head></html>
可以我們的字串的html節點是沒有閉合的，並且缺少head節點。初始化PyQuery物件之後，會把html文件補全，並且自動加上head節點。
方式二：URL網址初始化PyQyery物件
將要解析的URL網址當做引數傳遞給PyQuery類：
from pyquery import PyQuery as pq
url = 'http://www.bigdata17.com'
doc = pq(url=url,encoding='utf-8')
print(doc('title'))
執行結果：
<title>Home - Summer哥的自留地</title>
方式三：通過檔案初始化PyQyery物件
這個方式也比較常用，很多時候我們會將網站爬取下來然後儲存在本地磁碟：
from pyquery import PyQuery as pq
doc = pq(filename='test_pyquery.html',encoding='utf-8')
print(doc('title'))
訪問節點屬性：
使用attr()方法訪問節點的屬性:
from pyquery import PyQuery as pq
li = pq('<li id="test1" class="test1"></li><li id="test2" class="test2"></li>')('li')
print(li.attr("id"))
執行結果：
test1
上面的程式碼中有兩個id不同的li節點，但是attr()方法只取第一個li節點的id屬性值，而不取第二個，我們把上面的程式碼修改下，把第一個li節點的id屬性去掉，attr方法是否只取第一個複合條件節點的屬性值：
from pyquery import PyQuery as pq
li = pq('<li class="test1"></li><li id="test2" class="test2"></li>')('li')
print(li.attr("id"))
執行結果：
None
第一個li節點沒有id屬性，因此返回結果為None，所以可見，attr()方法返回的是第一個節點的屬性值。
那要取多個li節點的屬性值，要怎麼做呢？這就要結合items()方法來實現。items()方法是返回的節點的生成器generator object PyQuery.items
：
from pyquery import PyQuery as pq
li = pq('<li id="test1" class="test1"></li><li id="test2" class="test2"></li>')('li')
print(li.items())
for item in li.items():
print(item.attr("id"))
執行結果：
<generator object PyQuery.items at 0x0000027F26082728> test1 test2
動態新增節點屬性
PyQuery有很多方法動態新增節點的屬性，我們挑選幾個比較常用的方法介紹個大夥。
addClass(),動態新增節點class屬性：
from pyquery import PyQuery as pq
html = '<li id="test1" class="test1"></li>'
li = pq(html)('li')
li.addClass("addClass")
print(li)
執行結果：
<li id="test1" class="test1 addClass"/>
可見li節點的calss屬性值有test1變為test1 addclass。
addClass()方法只能動態新增節點class屬性的值，能不能動態新增其他屬性呢？答案是當然可以，attr()方法就可以實現：
from pyquery import PyQuery as pq
html = '<li id="test1" class="test1"></li>'
li = pq(html)('li')
li.attr("name","li name")
print(li)
li.attr("type","li")
print(li)
print(li.attr("type"))
執行結果：
<li id="test1" class="test1" name="li name"/> <li id="test1" class="test1" name="li name" type="li"/> li
上面的程式碼一共執行了3次attr()方法，執行第一次attr()方法時，有兩個引數，分別是name和li name。這是給li節點新增name屬性及屬性值。執行第二次attr()方法也有兩個引數，分別是type和li，這是給li幾點新增type屬性及type屬性值。執行第三次方法attr()方法只有一個type引數，根據前面介紹的attr()方法的用法可知，是獲取li節點type屬性的值。
小結：attr()方法只有一個引數時，是獲取節點的屬性值，有兩個引數時，是給節點新增屬性及屬性值，第一個引數時屬性，第二個引數時屬性值。
removeClass(),動態移除節點的class屬性：
from pyquery import PyQuery as pq
html = '<li id="test1" class="test1"></li>'
li = pq(html)('li')
li.removeClass("test1")
print(li)
執行結果：
<li id="test1" class=""/>
將class節點的屬性值有test1變為“”。
動態新增/修改文字值
PyQuery支援動態給節點新增文字值：
from pyquery import PyQuery as pq
html = '<li id="test1" class="test1"></li>'
li = pq(html)('li')
li.html("use html() dynamic add text")
print(li)
li.text("use text() dynamic add text")
print(li)
執行結果：
<li id="test1" class="test1">use html() dynamic add text</li> <li id="test1" class="test1">use text() dynamic add text</li>
可見使用html()和text()方法都可以動態的給節點新增或修改節點的文字值。
獲取節點文字值
PyQuery提供text()和html()方法獲取節點的文字屬性值：
from pyquery import PyQuery as pq
html = '<li id = "test_id">li text value</li>'
li = pq(html)('li')
print(li.text())
print(li.html())
執行結果：
li text value li text value
小結：html()和text()如果沒引數，則是獲取屬性的文字值，如果有引數，則是改變或者新增節點的屬性值。
移除節點：
remove()方法可以動態移除節點：
from pyquery import PyQuery as pq
html = '''
<ul>
hello I am ul tag
<li>hello I am li tag</li>
</ul>
'''
ul = pq(html)('ul')
print(ul.text())
print('執行remove()移除節點')
ul.find('li').remove()
print(ul.text())
執行結果：
hello I am ul tag hello I am li tag 執行remove()移除節點 hello I am ul tag
上述程式碼的ul節點中有個li節點，執行ul.text()方法會返回包括li節點的文字資訊，如果我們不想返回li節點的文字資訊，僅僅只需要ul節點的文字資訊“hell I am ul tag”，要怎麼做呢？這時候remove()方法就派上用場了，它刪除掉ul節點內的li節點。
查詢節點
PyQuery支援使用css的.和#來查詢節點：
from pyquery import PyQuery as pq
html = '''
<div class="div_tag">
<ul id = "ul_tag">
hello I am ul tag
<li>hello I am li tag</li>
<li>hello I am li tag too</li>
</ul>
</div>
'''
doc = pq(html)
print(doc('.div_tag #ul_tag li'))
執行結果：
<li>hello I am li tag</li> <li>hello I am li tag too</li>
上述程式碼是通過.div_tag獲取class為div_tag的節點，然後通過#ul_tag獲取id為ul_tag的節點，最後返回所有的li節點。
find()方法查詢節點：
html = '''
<div class="div_tag">
<ul id = "ul_tag">
hello I am ul tag
<li>hello I am li tag<a>www.bigdata17.com</li>
<li>hello I am li tag too</li>
</ul>
</div>
'''
doc = pq(html)
print(doc('.div_tag #ul_tag').find("li"))
執行結果：
<li>hello I am li tag<a>www.bigdata17.com</a></li> <li>hello I am li tag too</li>
可見find("li")是把所有li節點及子節點都查找出來。
還有一個children()方法，是獲取當前節點的所有子節點。該方法可以傳入css選擇器：children('.ul_tag')。
html = '''
<div class="div_tag">
<ul id = "ul_tag">
hello I am ul tag
<li>hello I am li tag<a>www.bigdata17.com</li>
<li>hello I am li tag too</li>
</ul>
</div>
'''
doc = pq(html)
print(doc('.div_tag #ul_tag').find("li"))
執行結果：
<li>hello I am li tag<a>www.bigdata17.com</a></li> <li>hello I am li tag too</li>
使用parent()方法獲取當前節點的父親節點：
html = '''
<div class="div_tag">
<ul id = "ul_tag">
hello I am ul tag
<li>hello I am li tag<a>www.bigdata17.com</li>
<li>hello I am li tag too</li>
</ul>
</div>
'''
doc = pq(html)
print(doc('.div_tag #ul_tag li').parent())
執行結果：
<ul id="ul_tag"> hello I am ul tag <li>hello I am li tag<a>www.bigdata17.com</a></li> <li>hello I am li tag too</li> </ul>
上述程式碼通過.div_tag #ul_tag li css選擇器定位到li節點，然後呼叫parent()方法獲取li節點的父節點ul。
parents()返回當前節點的所有祖宗節點：
html = '''
<div class="div_tag">
<ul id = "ul_tag">
hello I am ul tag
<li>hello I am li tag<a>www.bigdata17.com</li>
<li>hello I am li tag too</li>
</ul>
</div>
'''
doc = pq(html)
print(doc('.div_tag #ul_tag li').parents())
執行結果：
<html><body><div class="div_tag"> <ul id="ul_tag"> hello I am ul tag <li>hello I am li tag<a>www.bigdata17.com</a></li> <li>hello I am li tag too</li> </ul> </div> </body></html><body><div class="div_tag"> <ul id="ul_tag"> hello I am ul tag <li>hello I am li tag<a>www.bigdata17.com</a></li> <li>hello I am li tag too</li> </ul> </div> </body><div class="div_tag"> <ul id="ul_tag"> hello I am ul tag <li>hello I am li tag<a>www.bigdata17.com</a></li> <li>hello I am li tag too</li> </ul> </div> <ul id="ul_tag"> hello I am ul tag <li>hello I am li tag<a>www.bigdata17.com</a></li> <li>hello I am li tag too</li> </ul>
上面程式碼返回li節點的所有祖宗節點：html，body,div,ul。
siblings()方法返回當前節點的兄弟節點：
html = '''
<div class="div_tag">
<ul id = "ul_tag">
hello I am ul tag
<li class="li_class1">hello I am li tag<a>www.bigdata17.com</li>
<li class="li_class2">hello I am li tag too</li>
<li class="li_class3">hello I am the third li tag</li>
</ul>
</div>
'''
doc = pq(html)
print(doc('.div_tag #ul_tag .li_class1').siblings())
執行結果：
<li class="li_class2">hello I am li tag too</li> <li class="li_class3">hello I am the third li tag</li>
使用.div_tag #ul_tag .li_class1 CSS節點選擇器獲取到class為liclassq1的li節點，就是第一個li節點，然後呼叫siblings()方法獲取到子節點，分別是
第二和第三個li節點。
sibligs()還支援傳入css選擇器篩選符合條件的li節點：
print(doc('.div_tag #ul_tag .li_class1').siblings('.li_class3'))
執行結果：
<li class="li_class3">hello I am the third li tag</li>
總結：本文講述瞭如何使用PyQuery獲取網頁節點，節點的文字資訊，改變節點屬性，刪除節點屬性，增加節點屬性等知識點。