Pyquery：一個(gè)靈活方便的 HTML 解析庫(kù)
楔子
在工作中難免會(huì)遇到解析 HTML 的場(chǎng)景，比如將網(wǎng)頁(yè)下載下來(lái)之后，要解析出里面圖片的路徑、指定標(biāo)簽里的文本等等。
而 pyquery 專門負(fù)責(zé)做這件事，它是仿照 jquery 設(shè)計(jì)的，用起來(lái)非常方便。并且 pyquery 底層基于 lxml，而 lxml 是使用 Cython 實(shí)現(xiàn)的，所以 pyquery 的速度也有保證。
from pyquery import PyQuery
html = """
<body>
<p>
古明地覺(jué)的編程教室
</p>
</body>
"""
p = PyQuery(html)
print(type(p))
"""
<class 'pyquery.pyquery.PyQuery'>
"""
# 打印 PyQuery 對(duì)象會(huì)直接顯示 HTML 內(nèi)容
print(p)
"""
<body>
<p>
古明地覺(jué)的編程教室
</p>
</body>
"""我們?cè)讷@取 HTML 之后，直接傳遞 PyQuery 中，然后通過(guò)屬性選擇器即可獲取指定的內(nèi)容。
另外除了傳遞 HTML 文本之外，還可以傳遞一個(gè) URL，或者 HTML 文件。
from pyquery import PyQuery
# 傳遞一個(gè) url, 會(huì)自動(dòng)調(diào)用 urlopen 下載內(nèi)容
p1 = PyQuery(url="https://www.baidu.com", encoding="utf-8")
# 傳遞一個(gè) html 文件, 會(huì)自動(dòng)打開(kāi)并讀取
p2 = PyQuery(filename="1.html")后兩種方式其實(shí)不是很常用，我們一般還是會(huì)搭配 requests 或者 httpx，下載完頁(yè)面之后直接丟給 PyQuery。
接下來(lái)我們看看如何篩選指定的標(biāo)簽，多說(shuō)一句，我個(gè)人非常喜歡這個(gè)庫(kù)，在解析 HTML 的時(shí)候首先想到的就是它。
CSS 選擇器
pyquery 是模仿 jquery 設(shè)計(jì)的，顯然它也是通過(guò)類似于 CSS 選擇器的方式進(jìn)行篩選，下面介紹一些常用的選擇器。
from pyquery import PyQuery
html = """
<body>
<div class="div_cls1 div_cls2">
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<p class="p_cls1">高老師總能分享出好東西</p>
<div class="div_cls3">
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
</div>
</div>
<div>
<a ></a>
<p>
<a ></a>
</p>
</div>
<div class="div_cls1">
<span>嘿嘿嘿</span>
</div>
</body>
"""
p = PyQuery(html)我們以上面這個(gè) HTML 為例，來(lái)看看相關(guān)操作。
基于標(biāo)簽進(jìn)行選擇
# 選擇所有的 p 標(biāo)簽
print(p("p"))
"""
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<p class="p_cls1">高老師總能分享出好東西</p>
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
<p>
<a />
</p>
"""會(huì)選擇所有指定的標(biāo)簽，并且包含標(biāo)簽里面的內(nèi)容。
同時(shí)選擇多個(gè)標(biāo)簽
在基于標(biāo)簽選擇時(shí)，也可以同時(shí)選擇多個(gè)標(biāo)簽。
# 選擇所有的 p 標(biāo)簽和 a 標(biāo)簽
print(p("p,a"))
"""
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<p class="p_cls1">高老師總能分享出好東西</p>
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
<a />
<p>
<a />
</p>
<a />
"""多個(gè)標(biāo)簽之間使用逗號(hào)分隔，會(huì)將多個(gè)標(biāo)簽都篩選出來(lái)。
注意：篩選的標(biāo)簽之間是獨(dú)立的，比如第二個(gè) a 標(biāo)簽，它在 p 標(biāo)簽里面。我們篩選 p 標(biāo)簽的時(shí)候，已經(jīng)將它內(nèi)部的 a 標(biāo)簽篩選出來(lái)了，但在篩選 a 標(biāo)簽的時(shí)候又篩選出來(lái)一次，因此標(biāo)簽之間是獨(dú)立的。
選擇指定標(biāo)簽下的子標(biāo)簽
# 選擇所有的 div 標(biāo)簽下的所有 a 標(biāo)簽
print(p("div a"))
"""
<a />
<a />
"""多個(gè)標(biāo)簽使用空格分隔，表示篩選層級(jí)，比如 tag1 tag2 tag3，表示篩選所有 tag1 標(biāo)簽下的所有 tag2 標(biāo)簽下的所有 tag3 標(biāo)簽。
div a 表示從所有 div 的子孫節(jié)點(diǎn)中選擇 a 標(biāo)簽，如果只希望從兒子節(jié)點(diǎn)中選擇呢？
# 選擇所有的 div 標(biāo)簽下的所有 a 標(biāo)簽，但只從兒子節(jié)點(diǎn)中選擇
# 第二個(gè) a 標(biāo)簽的外部套了個(gè) p 標(biāo)簽，所以不符合篩選條件
print(p("div>a"))
"""
<a />
"""當(dāng)標(biāo)簽之間是空格，那么會(huì)從子孫節(jié)點(diǎn)當(dāng)中選擇；當(dāng)標(biāo)簽之間是大于號(hào)，那么只會(huì)從兒子節(jié)點(diǎn)當(dāng)中選擇。
按照 id 選擇標(biāo)簽
# 選擇 id = "six_six_six" 的標(biāo)簽
print(p("#six_six_six"))
"""
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
"""id 在一個(gè) html 中具有唯一性，所以有 id 屬性的話，那么會(huì)非常好定位。
按照 class 選擇標(biāo)簽
p = PyQuery(html)
# 選擇 class 等于 "p_cls1" 的標(biāo)簽
print(p(".p_cls1"))
"""
<p class="p_cls1">高老師總能分享出好東西</p>
"""選擇所有 class 屬性等于 p_cls1 的標(biāo)簽，但是注意，一個(gè)標(biāo)簽可以同時(shí)擁有多個(gè) class。
print(p(".div_cls1"))
"""
<div class="div_cls1 div_cls2">
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<p class="p_cls1">高老師總能分享出好東西</p>
<div class="div_cls3">
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
</div>
</div>
<div class="div_cls1">
<span>嘿嘿嘿</span>
</div>
"""我們看到兩個(gè) div 都應(yīng)用了 div_cls1 這個(gè) class，因此它們都被篩選了出來(lái)。而第一個(gè) div 除了 div_cls1，還應(yīng)用了 div_cls2 這個(gè) class。
那么問(wèn)題來(lái)了，如果我們希望選擇同時(shí)應(yīng)用了 div_cls1 和 div_cls2 的標(biāo)簽該怎么做呢？
print(p(".div_cls1.div_cls2"))
"""
<div class="div_cls1 div_cls2">
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<p class="p_cls1">高老師總能分享出好東西</p>
<div class="div_cls3">
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
</div>
</div>
"""我們看到此時(shí)就只獲取了第一個(gè) div，注意：.div_cls1 和 .div_cls2 之間不可以有空格，如果加上了空格，那么含義就變成了選擇 .div_cls1 標(biāo)簽下面的 .div_cls2 標(biāo)簽。
所以 id、class、標(biāo)簽等選擇器，它們可以搭配使用。比如說(shuō)：
圖片
實(shí)際舉例說(shuō)明：
# 找到所有 class 包含 div_cls1、div_cls2 的標(biāo)簽
# 再?gòu)钠鋬鹤庸?jié)點(diǎn)中找到所有 class 包含 .div_cls3 的 div 標(biāo)簽
print(p("div.div_cls1.div_cls2>div.div_cls3"))
"""
<div class="div_cls3">
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
</div>
"""綜上所述，pyquery 還是很強(qiáng)大的。
選擇是否具有指定屬性的標(biāo)簽
# 選擇具有 class 屬性的 p 標(biāo)簽
print(p("p[class]"))
"""
<p class="p_cls1">高老師總能分享出好東西</p>
"""
# 選擇具有 id 屬性的 p 標(biāo)簽
print(p("p[id]"))
"""
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
"""
# 選擇 class="div_cls1" 的 div 標(biāo)簽
# 等號(hào)右面可以是雙引號(hào)，也可以是單引號(hào)，也可以不加引號(hào)
print(p("div[class='div_cls1']"))
"""
<div class="div_cls1">
<span>嘿嘿嘿</span>
</div>
"""
# 注意：div[class='div_cls1'] 和 div.div_cls1 不同
# 前者要求 class 屬性必須為 div_cls1
# 而后者要求 class 屬性只要包含 div_cls1 即可
# 這些屬性除了 id、class 之外, 也可以是其它的任意屬性（隨便寫一個(gè)也可以）
# 下面選擇所有具有 href 屬性的 a 標(biāo)簽
print(p("a[href]"))
"""
<a />
<a />
"""
# 選擇 href 等于某個(gè) url 的 a 標(biāo)簽, 這里的 url 必須要使用引號(hào)包起來(lái)
print(p("a[))
"""
<a />
"""
# 還可以指定以 ... 開(kāi)頭
print(p("a[href^='http://www.me.org/image']"))
"""
<a />
"""
# 指定以 ... 結(jié)尾
print(p("a[href$='2.png']"))
"""
<a />
"""
# 包含 ...
print(p("a[href*='bento']"))
"""
<a />
"""
# 當(dāng)然其它屬性也可以，選擇 class 包含 div_cls1 的 a 標(biāo)簽
# 此時(shí) div[class*='div_cls1'] 和 div.div_cls1 是等價(jià)的
print(p("div[class*='div_cls1']") == p("div.div_cls1"))
"""
True
"""選擇指定位置的標(biāo)簽
# 先選擇所有 class 包含 div_cls1、div_cls2 的標(biāo)簽
# 然后從它的兒子節(jié)點(diǎn)中選擇所有的 p 標(biāo)簽
print(p(".div_cls1.div_cls2>p"))
"""
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<p class="p_cls1">高老師總能分享出好東西</p>
"""
# 先選擇所有 class 包含 div_cls1、div_cls2 的標(biāo)簽
# 然后從它的兒子節(jié)點(diǎn)中選擇所有 class 等于 p_cls1 的 p 標(biāo)簽
print(p(".div_cls1.div_cls2>p[class='p_cls1']"))
"""
<p class="p_cls1">高老師總能分享出好東西</p>
"""
# 然后也可以按照位置進(jìn)行選擇，比如這里選擇符合條件的第一個(gè) p 標(biāo)簽
print(p(".div_cls1.div_cls2>p:nth-child(1)"))
"""
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
"""
# 選擇符合條件的第二個(gè) p 標(biāo)簽
print(p(".div_cls1.div_cls2>p:nth-child(2)"))
"""
<p class="p_cls1">高老師總能分享出好東西</p>
"""選擇兄弟標(biāo)簽
# 選擇 class 包含 p_cls1 的所有 p 標(biāo)簽，然后選擇它的兄弟標(biāo)簽
print(p("p.p_cls1").siblings())
"""
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<div class="div_cls3">
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
</div>
"""以上就是一些常見(jiàn)的 CSS 選擇器，在工作中一般是夠用了。
獲取標(biāo)簽屬性
基于 CSS 選擇器，我們可以拿到指定的標(biāo)簽，然后就是獲取屬性了，比如獲取文本。
print(p("p").text())
"""
S 老師不想你們?yōu)榱怂齼蓴【銈?高老師總能分享出好東西 我也退了，都怪我說(shuō)了不該說(shuō)的
"""返回的是字符串，里面包含了所有的 p 標(biāo)簽里的文本。但這樣我們就不知道，哪個(gè)文本是哪個(gè) p 標(biāo)簽里面的了，因此我們可以進(jìn)行遍歷。
PyQuery 這個(gè)類繼承 list，因?yàn)榛谶x擇器篩選到的標(biāo)簽可能會(huì)有多個(gè)，因此提供了用于遍歷的方法。但遍歷得到依舊是 PyQuery 對(duì)象，只不過(guò)此時(shí)里面就只有一個(gè)標(biāo)簽了。
# 可以對(duì)選擇的標(biāo)簽進(jìn)行遍歷
for tag in p("p").items():
print(tag.text())
"""
S 老師不想你們?yōu)榱怂齼蓴【銈?高老師總能分享出好東西
我也退了，都怪我說(shuō)了不該說(shuō)的
"""text 方法用于獲取文本，至于其它屬性則通過(guò) attr 方法獲取。
for tag in p("a").items():
print(tag.attr("href"))
"""
http://www.me.org/bento/1.png
http://www.me.org/image/2.png
"""
for tag in p("div").items():
print(tag.attr("class"))
"""
div_cls1 div_cls2
div_cls3
None
div_cls1
"""
# 遍歷所有的標(biāo)簽，獲取 id 的值
for tag in p("*").items():
if tag.attr("id") is not None:
print(tag.attr("id"))
"""
six_six_six
"""
# 通過(guò) attr 可以獲取所有的屬性，甚至自定義的也可以是不是很方便呢？基于 CSS 選擇器和 attr 方法，我們就能獲取所有想要的屬性。
find 和 filter
PyQuery 對(duì)象還有兩個(gè)很重要的方法，分別是 find 和 filter。
先來(lái)看看 find：
# p("div .div_cls3 p") 等價(jià)于 p.find("div").find(".div_cls3").find("p")
# 或者也等價(jià)于 p.find("div").find(".div_cls3 p")
# 也等價(jià)于 p.find("div .div_cls3").find("p")
print(p("div .div_cls3 p") ==
p.find("div").find(".div_cls3").find("p") ==
p.find("div").find(".div_cls3 p") ==
p.find("div .div_cls3").find("p"))
"""
True
"""
# 相信你應(yīng)該明白 find 方法是做什么的了，它是基于指定條件繼續(xù)向內(nèi)篩選
# 比如我們成功篩選了指定的標(biāo)簽
tag = p("div .div_cls3")
# 這時(shí)候想在 tag 的基礎(chǔ)上繼續(xù)獲取它內(nèi)部的 p 標(biāo)簽，那么可以調(diào)用 find
print(tag.find("p"))
"""
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
"""tag.find 是在 tag 的基礎(chǔ)上繼續(xù)向內(nèi)篩選，而 tag.filter 則是對(duì) tag 進(jìn)行過(guò)濾。
tag = p("div p")
# 在 tag 的基礎(chǔ)上向內(nèi)篩選，獲取 class 包含 p_cls1 的標(biāo)簽
# 但 div p 內(nèi)部沒(méi)有 class 包含 p_cls1 的標(biāo)簽
print(tag.find(".p_cls1"))
"""
"""
# 對(duì) tag 進(jìn)行過(guò)濾，從已獲取的 tag 中過(guò)濾出 class 包含 p_cls1 的標(biāo)簽
print(tag.filter(".p_cls1"))
"""
<p class="p_cls1">高老師總能分享出好東西</p>
"""所以當(dāng)你篩選了指定的 div 之后，你想從它的內(nèi)部繼續(xù)篩選，那么就使用 find 方法。如果你想按照指定條件對(duì) div 進(jìn)行過(guò)濾，那么就使用 filter。
另外 filter 還有一個(gè)用法，就是可以根據(jù)文本進(jìn)行過(guò)濾。
print(p("p"))
"""
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<p class="p_cls1">高老師總能分享出好東西</p>
<p id="six_six_six">
我也退了，都怪我說(shuō)了不該說(shuō)的
</p>
<p>
<a />
</p>
"""
# 對(duì)篩選到 p 標(biāo)簽進(jìn)行過(guò)濾，只保留文本包含 "老師" 的 p 標(biāo)簽
print(
p("p").filter(lambda _, this: "老師" in PyQuery(this).text())
)
"""
<p>S 老師不想你們?yōu)榱怂齼蓴【銈?lt;/p>
<p class="p_cls1">高老師總能分享出好東西</p>
"""以上就是 find 和 filter 的用法，當(dāng)你的解析需求不復(fù)雜時(shí)，直接調(diào)用 PyQuery 對(duì)象即可，否則可以搭配這兩個(gè)方法。
小結(jié)
總的來(lái)說(shuō)，pyquery 還是相當(dāng)方便的，相比 bs4 多了更多的靈活性，而且速度也更快一些。
當(dāng)然 pyquery 還有一些功能我們沒(méi)有說(shuō)，比如追加節(jié)點(diǎn)等等，但這些不常用，所以不再贅述。因?yàn)槲覀冎皇墙馕?HTML，能基于選擇器獲取想要的標(biāo)簽以及屬性就足夠了。
雖然 pyquery 是仿照 jquery 設(shè)計(jì)的，但我們不會(huì)像 jquery 操作 DOM 那樣，對(duì)節(jié)點(diǎn)進(jìn)行新增修改啥的。我們要做的只有查詢，基于選擇器獲取指定標(biāo)簽，并且選擇器也不止我們上面介紹的那些，不過(guò)基本上夠用了。
