爬虫学习笔记(六)PyQuery模块
2024-09-29 03:27:49
PyQuery模块也是一个解析html的一个模块,它和Beautiful Soup用起来差不多,它是jquery实现的,和jquery语法差不多,会用jquery的人用起来就比较方便了。
Pyquery需要依赖lxml模块,不装的话,使用会报错。
安装
1
2
|
pip install lxml
pip install pyquery
|
解析html的3种方式
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
from pyquery import PyQuery
html = """
<html><head><title>BestTest</title></head>
<body>
<div>
<p class="content">最专业的软件测试培训
<a href="http://www.besttest.cn" class="link" id="link1"><!--首页--></a>,
<a href="http://www.besttest.cn/page/3.html" class="link" id="link2">BestTest性能测试</a> and
<a href="http://www.besttest.cn/page/47.html" class="link" id="link3" target="_blank">BestTest自动化测试</a>;
课程详情请点击上面的链接.</p>
<p class="content">.这是广告植入.</p>
<p class="title">BestTest is best</p>
</div>
</body>
</html>
"""
#解析html的3种方式
doc = PyQuery(url='http://www.nnzhp.cn') #指定url
doc2 = PyQuery(html) #指定html字符串
doc3 = PyQuery(filename='index.html') #指定文件
print(doc)
print(doc2)
print(doc3)
|
css选择器
css在bs模块里面也用过,用法差不多。具体如下
1
2
3
4
5
6
7
8
|
# css选择器
print(doc2('.link')) #通过class
print(doc2('#link1')) #通过id
print(doc2('.content,#link1')) #找到所有class为content和id为link1的
print(doc2('.content #link1')) #在content下面找到id为link1的元素
print(doc2('a'))#找到所有的a标签
print(doc2('[href]'))#找到所有带有href属性的元素
print(doc2('a[target=_blank]')#找到a标签下面target为_blank的
|
常用方法
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
eq方法,获取第几个元素
a_tags = doc2('a')
print(a_tags.eq(0))#a标签里面第一个
print(a_tags.eq(1))#a标签里面第二个
# items()
#如果找到多个元素的话,想循环取元素的话,就得用.items()方法,items就是为了循环用的
a_tag = doc2('a')
for a in a_tag.items():
print(a.text())
# text() 、html()
#text()方法是获取元素里面的文字的,html()是获取元素的html
a=doc2('.content')
print(a.html()) #html格式的
print(a.text()) #只有里面的文字
#find方法,查找元素
print(doc2.find('p').find('a'))#从所有的p标签里面找到a标签
print(doc2.find('p'))#找到所有的p标签
print(doc2.find('.content'))#找到所有class为content的
#filter方法,用来筛选
print(doc2.find('a').filter('#link1')) #先找到a标签,然后从a标签里面筛选出来id为link1的
#attr方法,获取属性
print(doc2('#link1').attr(('href')))#获取id为link1的href的属性值
|
最新文章
- Python列表去重
- 【postman】postman
- java.lang.ClassCastException: org.slf4j.impl.Log4jLoggerFactory cannot be cast to ch.qos.logback.classic.LoggerContext问题原因及解决方法
- A trip through the Graphics Pipeline 2011_07_Z/Stencil processing, 3 different ways
- redis客户端--jedis
- gridControl控件动态绑定列
- JSP简单访问数据库
- Junit3
- 个人博客实现Archives查询小记
- oracle 查看表属主和表空间sql
- 【C语言探索之旅】 第二部分第十课:练习题和习作
- <;context:component-scan>;详解
- java反射机制的简单使用
- CentOS命令介绍综合
- Ubuntu 安装以及web服务器配置
- 8F - 采矿
- 两个DataTable关联查询(inner join、left join)C#代码
- AI,DM,ML,PR的区别与联系
- 温故而知新-array_walk和sizeof和array_count_values()和extract()
- MySQL性能调优与架构设计——第10章 MySQL数据库Schema设计的性能优化
热门文章
- 并查集:HDU4496-D-City(倒用并查集)
- poj 3258 跳房子问题 最大化最小值
- P2920 [USACO08NOV]时间管理Time Management
- Android stadio litepal
- DevOps实施的三种IT障碍
- 了解Windows Server以及Hyper-V许可模式
- ogre3D学习基础3 -- 粒子与表层脚本
- [oldboy-django][1初始django]后台管理页面的布局 + djano母版(继承html)
- 【转】Twitter-Snowflake,64位自增ID算法详解
- BZOJ 1096: [ZJOI2007]仓库建设(DP+斜率优化)