Python爬虫辅助利器PyQuery模块的安装使用攻略


Posted in Python onApril 24, 2016

Windows下的安装:
下载地址:https://pypi.python.org/pypi/pyquery/#downloads
下载后安装:

C:\Python27>easy_install E:\python\pyquery-1.2.4.zip

也可以直接在线安装:

C:\Python27>easy_install pyquery

pyquery是一个类似jquery的python库,可以使用像jquery那样的语法来提取网页中的任何数据,这个用于html网页的数据提取和挖掘还是一个很不错的第三方库的。下面我们来看下pyquery的用法有哪些。

从html字符串中提取信息

#!/usr/bin/python
# -*- coding: utf-8 -*-

from pyquery import PyQuery as pq
html = '''
<html>
<head>
 <title>this is title</title>
</head>
<body>
 <p id="hi">Hello, World</p>
 <p id="hi2">Nihao</p>
 <div class="class1">
  <img src="1.jpg" />
 </div>
 <ul>
  <li>list1</li>
  <li>list2</li>
 </ul>
</body>
</html>
'''
d=pq(html)

print d('title') # 相当于css选择器,根据html标签获取元素
print d('title').text() # text()方法获取当前选中的文本块

print d('#hi').text() # 相当于id选择器,直接根据id名获取元素
print d('p').filter('#hi2').text() # 可以根据id或class得到指定元素
print d('.class1') # 相当于class选择器
print d('.class1').html() # html()方法获取当前选中的html块
print d('.class1').find('img').attr('src') # 查找嵌套元素,并选中属性
print d('ul').find('li').eq(0).text() # 根据索引号获取多个相同html元素中的某一个
print d('ul').children() # 获取所有子元素
print d('ul').children().eq(0) #根据索引获取子元素
print d('img').parents() # 获取父元素
print d('#hi').next() # 获取下一个元素
print d('#hi').nextAll() #获取后面全部元素块
print d('p').not_('#hi2') # 返回不匹配选择器的元素
# 遍历所有匹配的元素
for i in d.items('li'):
 print i.text()
print [i.text() for i in d.items('li')] # 遍历用于列表推倒
print d.make_links_absolute(base_url='http://www.baidu.com') # 把html文档中的相对路径变为绝对路径

上面的代码段给出了pyquery常用的操作方法。我们先定义了一段html代码,然后利用pyquery的一系列方法对该html代码进行了操作,主要是获取特定的元素以及文本等。当然,pyquery不仅仅能够获取元素,还能进行设置元素属性、增加元素等功能,鉴于我们最常用的就是上面代码中用到的方法,这里就不再对其他方法进行介绍了。

从url或本地html文件中提取信息

当然,pyquery也不仅仅可以解析像上面的html字符串,还可以这样:

d = pq(url='http://www.baidu.com/')

我们可以直接加载一个URL,和上面的操作方法没有任何区别。这种方法默认使用urllib模块进行http请求,但如果你的系统中安装了requests的话,那么就会使用requests来进行http请求,这也就意味着你可以使用requests的任何参数,比如:

pq('http://www.baidu.com/', headers={'user-agent': 'pyquery'})

或者,如果你在你的本地已经有了对应的html文件,那么还可以这样:

d = pq(filename=path_to_html_file)

上面的写法直接指定了本地的html文件,且操作方法仍然与上面的相同。
可以看到,pyquery给我们提供充分的便利性来进行任何元素的选取,就像jquery一样。

利用pyquery抓取豆瓣电影top250

看完了pyquery的语法,我们来看一个实例,抓取豆瓣电影top250。
因为豆瓣反爬虫反的厉害,运行几次就没法再抓了,我只好先用requests把页面下载下来,直接使用pyquery分析页面的方法来提取信息:

from pyquery import PyQuery as pq
import requests

head_req = {
 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36',
 'Referer':'https://movie.douban.com/top250?start=0',

}
r=requests.get("https://movie.douban.com/top250?start=0",headers=head_req)
with open("1.html","wb") as html:
 html.write(r.content)

d=pq(filename="1.html")

# print d('ol').find('li').html()
for data in d('ol').items('li'):
 print data.find('.hd').find('.title').eq(0).text()
 print data.find('.star').find('.rating_num').text()
 print data.find('.quote').find('.inq').text()
 print

运行下看看结果:

肖申克的救赎
9.6
希望让人自由。

这个杀手不太冷
9.4
怪蜀黍和小萝莉不得不说的故事。

阿甘正传
9.4
一部美国近现代史。

霸王别姬
9.4
风华绝代。

美丽人生
9.5
最美的谎言。

千与千寻
9.2
最好的宫崎骏,最好的久石让。

辛德勒的名单
9.4
拯救一个人,就是拯救整个世界。

海上钢琴师
9.2
每个人都要走一条自己坚定了的路,就算是粉身碎骨。

机器人总动员
9.3
小瓦力,大人生。

盗梦空间
9.2
诺兰给了我们一场无法盗取的梦。

泰坦尼克号
9.1
失去的才是永恒的。

三傻大闹宝莱坞
9.1
英俊版憨豆,高情商版谢耳朵。

放牛班的春天
9.2
天籁一般的童声,是最接近上帝的存在。

忠犬八公的故事
9.2
永远都不能忘记你所爱的人。

龙猫
9.1
人人心中都有个龙猫,童年就永远不会消失。

大话西游之大圣娶亲
9.1
一生所爱。

教父
9.2
千万不要记恨你的对手,这样会让你失去理智。

乱世佳人
9.2
Tomorrow is another day.

天堂电影院
9.1
那些吻戏,那些青春,都在影院的黑暗里被泪水冲刷得无比清晰。

当幸福来敲门
8.9
平民励志片。

搏击俱乐部
9.0
邪恶与平庸蛰伏于同一个母体,在特定的时间互相对峙。

楚门的世界
9.0
如果再也不能见到你,祝你早安,午安,晚安。

触不可及
9.1
满满温情的高雅喜剧。

指环王3:王者无敌
9.1
史诗的终章。

罗马假日
8.9
爱情哪怕只有一天。

当然这只是第一页的25条,我们已经知道了豆瓣电影top250的url是

https://movie.douban.com/top250?start=0
start参数从0,每次加25,直到

https://movie.douban.com/top250?start=225
所以可以写个循环把它们都抓下来。

Python 相关文章推荐
Python自动生产表情包
Mar 17 Python
Python实现PS滤镜的万花筒效果示例
Jan 23 Python
python3利用Dlib19.7实现人脸68个特征点标定
Feb 26 Python
python爬虫之自动登录与验证码识别
Jun 15 Python
超简单使用Python换脸实例
Mar 27 Python
Python实现定时执行任务的三种方式简单示例
Mar 30 Python
Python如何使用argparse模块处理命令行参数
Dec 11 Python
Python递归函数特点及原理解析
Mar 04 Python
Python优秀开源项目Rich源码解析的流程分析
Jul 06 Python
python安装cx_Oracle和wxPython的方法
Sep 14 Python
python实现视频压缩功能
Dec 18 Python
Python集合set()使用的方法详解
Mar 18 Python
Linux下通过python访问MySQL、Oracle、SQL Server数据库的方法
Apr 23 #Python
Python 中的 else详解
Apr 23 #Python
Python 探针的实现原理
Apr 23 #Python
一键搞定python连接mysql驱动有关问题(windows版本)
Apr 23 #Python
Linux 发邮件磁盘空间监控(python)
Apr 23 #Python
web.py 十分钟创建简易博客实现代码
Apr 22 #Python
在windows下快速搭建web.py开发框架方法
Apr 22 #Python
You might like
第十节--抽象方法和抽象类
2006/11/16 PHP
在项目中寻找代码的坏命名
2012/07/14 PHP
关于ThinkPhp 框架表单验证及ajax验证问题
2017/07/19 PHP
PHP异步进程助手async-helper
2018/02/05 PHP
搜索附近的人PHP实现代码
2018/02/11 PHP
JQuery EasyUI 对话框的使用方法
2010/10/24 Javascript
判断用户的在线状态 onbeforeunload事件
2011/03/05 Javascript
brook javascript框架介绍
2011/10/10 Javascript
常见JS效果之图片减速度滚动实现代码
2011/12/08 Javascript
Javascript中各种trim的实现详细解析
2013/12/10 Javascript
window.onload使用指南
2015/09/13 Javascript
javascript制作照片墙及制作过程中出现的问题
2016/04/04 Javascript
Bootstrap页面缩小变形的快速解决办法
2017/02/03 Javascript
JS实现禁止用户使用Ctrl+鼠标滚轮缩放网页的方法
2017/04/28 Javascript
vue中keep-alive组件的入门使用教程
2019/06/06 Javascript
如何在Angular8.0下使用ngx-translate进行国际化配置
2019/07/24 Javascript
layui实现三级导航菜单
2019/07/26 Javascript
详解json串反转义(消除反斜杠)
2019/08/12 Javascript
[01:32]dota2拉比克至宝(222)
2018/12/20 DOTA
[04:14]从西雅图到上海——玩家自制DOTA2主题歌曲应援TI9
2019/07/11 DOTA
python使用urllib2实现发送带cookie的请求
2015/04/28 Python
Python使用gensim计算文档相似性
2016/04/10 Python
Python set常用操作函数集锦
2017/11/15 Python
pandas对dataFrame中某一个列的数据进行处理的方法
2019/07/08 Python
Django静态文件加载失败解决方案
2020/08/26 Python
Python更改pip镜像源的方法示例
2020/12/01 Python
关于多种方式完美解决Python pip命令下载第三方库的问题
2020/12/21 Python
详解tf.device()指定tensorflow运行的GPU或CPU设备实现
2021/02/20 Python
澳大利亚购买最佳炊具品牌网站:Cookware Brands
2019/02/16 全球购物
预备党员思想汇报
2014/01/08 职场文书
党员违纪检讨书
2014/02/18 职场文书
预备党员表决心书
2014/03/11 职场文书
学生个人自我鉴定
2014/03/26 职场文书
说谎欺骗人检讨书300字
2014/11/18 职场文书
2015年个人实习工作总结
2014/12/12 职场文书
保卫工作个人总结
2015/03/03 职场文书