1. Pyquery的安裝

在使用pyquery解析庫之前，首先簡單介紹一下pyquery然后講解如何安裝pyquery庫。

• pyquery的基礎概念

Pyquery也是一個功能很強大的網頁解析庫，它支持對xml、html文檔進行jQuery查詢。

• 安裝pyquery

pyquery的安裝其實很簡單，下面介紹兩種不同的安裝方式(適用不同的操作系統)。

#方式一：pip安裝 pip install pyquery    
 
#方式二：wheel安裝  
#下載對應系統版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/  
pip install pyquery-1.4.3-py3-non-any.whl 

方式一：安裝比較簡單，通過pip install pyquery命令就可以直接安裝;

方式二：首先需要下載whl文件，然后再去安裝。

其下載鏈接為：http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml。

進入這個鏈接后找到pyquery-1.4.3-py3-none-any.whl，并將其下載到本地。

2. Pyquery的使用方法

通過上述方法安裝好pyquery之后，我們開始導入pyquery，并通過一個例子去了解pyquery的基本使用方法。首先構造了一段html源碼，然后初始化為pyquery對象。

完整代碼如下：

from pyquery import PyQuery as pq 
html = ''' 
<div id = "container"> 
    <ul> 
        <li>第1個</li> 
        <li><a href = "link2.html">第2個</a></li> 
        <li class = "i0 active"><a href = "link3.html"><span>第3個</span></a></li> 
        <li class = "i1 active"><a href = "link4.html">第4個</a></li> 
        <li><a href = "link5.html">第5個</a></li> 
    </ul> 
</div> 
''' 
py= pq(html) 

• 獲取標簽元素

目標：比如我們需要獲取html中的li標簽

#方式一 
print(py('li')) 
 
#方式二 
# 注意下面id 前面需要加上#,class 前面需要加上. 
print(py('#container .list li')) 

這里有兩種獲取方式，第一種比較簡單，第二種方法定位更加準確。針對上述的html源碼，這兩種方式獲取的結果是一樣的，其結果如下：

<li>第1個</li> 
<li><a href="link2.html">第2個</a></li> 
<li class="i0 active"><a href="link3.html"><span>第3個</span></a></li> 
<li class="i1 active"><a href="link4.html">第4個</a></li> 
<li><a href="link5.html">第5個</a></li> 

• 查詢子級標簽元素

目標：獲取class為list的ul標簽下的所有子標簽(li標簽)，其代碼如下：

items = py('.list') 
lis = items.children() 
print(lis) 

最后打印輸出的結果同上，都是把所有的li標簽打印輸出。

• 查詢父級標簽元素

目標：獲取class為list的ul標簽的上一級標簽(div標簽)，其代碼如下：

items = py('.list') 
pa = items.parent() 
print(pa) 

打印輸出結果：

<div id="container"> 
    <ul> 
        <li>第1個</li> 
        <li><a href="link2.html">第2個</a></li> 
        <li class="i0 active"><a href="link3.html"><span>第3個</span></a></li> 
        <li class="i1 active"><a href="link4.html">第4個</a></li> 
        <li><a href="link5.html">第5個</a></li> 
    </ul> 
</div> 

• 獲取元素信息

目標：獲取class為i0 active的a標簽元素，并提取出a標簽元素的相關信息

a = py('.i0.active a') 
# 標簽內容 
print(a) 
# 獲取屬性(兩種方式) 
print(a.attr.href) 
print(a.attr('href')) 
# 獲取文本 
print(a.text()) 
# 獲取<a>標簽里的源碼 
print(a.html()) 

結果：

<a href="link3.html"><span>第3個</span></a> 
link3.html 
link3.html 
第3個 
<span>第3個</span> 

3. 實戰：抓取由關鍵字搜索的結果

內容：抓取小說網站由關鍵字搜索的結果，并采集結果中小說的書名和鏈接

思路：首先在小說網站里面搜索關鍵字：斗羅，然后利用爬蟲抓取搜索返回的結果中小說的書名和鏈接，這過程中通過pyquery去解析網頁源碼，最后提取出數據。

鏈接：http://book.chenlove.cn/search.html?keyword=斗羅

在瀏覽器中訪問鏈接：

在編寫之前先分析一下網頁源碼：

查看源代碼，可以知道每一本書的數據都在class為bigpic-book-name的a標簽中，首先使用pyquery去解析其a標簽，然后進行循環遍歷。

完整代碼如下：

from pyquery import PyQuery as pq 
import requests 
# 設置代理服務器 
headers = { 
    'User_Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36' 
} 
#請求連接 
url = "http://book.chenlove.cn/search.html?keyword=斗羅" 
response = requests.get(url, headers=headers) 
if response.status_code == 200: 
    # 轉化為utf-8格式，不加這條語句，輸出爬取的信息為亂碼 
    response.encoding = 'utf8' 
    # 把網頁解析為pyquery對象 
    py = pq(response.text) 
    a_list = py('.bigpic-book-name').items() 
    for i in a_list: 
        # 獲取書名 
        print(i.text()) 
        # 獲取書名鏈接 
        print(i.attr('href')) 

上一小節我們學會了如何去提取a標簽中的內容和鏈接，同樣的這里一樣使用text()和attr()去解析內容和鏈接。

結果：

智行斗羅 
/novel/235.html 
從炸掉魂環開始的斗羅 
/novel/219.html 
旅途從斗羅開始 
/novel/195.html 
斗羅之卡BUG 
/novel/159.html 
終極斗羅 
/novel/54.html 

本文轉載自微信公眾號「Python研究者」，可以通過以下二維碼關注。轉載本文請聯系Python研究者公眾號。