以 jQuery 之名 - 爬虫利器 PyQuery

很多读者在学习了 Python 之后都想做一些爬虫程序，去网上采集数据或完成一些自动化操作。因此，我们也制作了一套爬虫实战课程，目前正在最后的完善中，很快将和各位见面。

等不及的朋友，可以先来看看这个类似于 bs4 的网页分析模块——PyQuery。

如果说到 jQuery，熟悉前端的同学肯定不陌生，它可以简单优雅地对 html 文件进行定位、选择、移动等操作。而本文的主角 pyquery，支持以 jquery 的方式对 html 进行操作。因此非常适合有前端或 js 基础的同学使用。

废话不多说，一边看文章，一边打开编辑器，跟着我一探究竟吧。

1、安装

安装过程比较简单

pip install pyquery

2、入门使用

接下来，我们以分析简书首页文章为例，简单梳理 pyquery 的部分函数 。

2.1 导入相关的库

分别导入 网络请求库 - requests、以及 pyquery 。

import requests
import pyquery

2.2 向 pyquery 导入数据

本文的重点在于 pyquery，请求部分我就简单的一笔带过，大家知道使用 pyquery 有这么个流程就行了。
与 bs4 一样，处理网页首先建立一个 Pyquery 对象。

# 请求简书地址
url = 'http://www.jianshu.com/'
req = requests.get(url)
page = req.text
# 导入 pyquery 处理
pq = pyquery.PyQuery(page)

Pyquery 还可以直接调用内置的网络请求模块，对于简单的网页请求，我们还可以直接这样写：

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

2.3 定位元素

pyquery 提供多种定位元素的方法，这里简单介绍三种，直接定位、根据 id 定位 ，根据 class 定位。

根据 html 标签直接定位：

# 直接定位 head 标签
pq_head = pq('head')

以上代码就是获取 html 中 < head>.......< /head> 标签内的内容。

根据 id 定位：

在简书首页源代码中可找到这么一段

根据 id 定位找到这个 li 标签，代码如下：

# 定位 id = note-11700031 的 li 标签
pq_id = pq('#note-11700031')

以上代码获取 id 名为 note-11700031 的标签，需要注意的是查询 id 时添加 # 前缀，这是 css 选择器语法。

根据 class 定位：

同样以刚才的为例

我们根据 class=have-img 去获取这个 div 标签

# 定位 class = have-img 的 div 标签
pq_class = pq('.have-img')

注意的是查询 class 时添加 . 前缀，这也是 css 选择器语法。

2.3 索引标签

在上一节的最后有个小问题，我们知道 head 标签在 html 中只有一个，而 class 名为 have-img 的 li 标签可能有多个，我们该
如何遍历所有的 li 标签呢？ 又该如何单独的取某一个 li 呢？

首先我们可以逐个遍历

# 遍历所有 class = have-img 的 li 标签
for li in pq_class:
    # 获取每一个 li 标签
    pq_li = pq(li)
    

我们可以索引某一个 li 标签

使用.ep(index) 函数。

# 获取第一个 li 标签
li_first = pq_class.ep(0)

# 获取第二个 li 标签
li_second = pq_class.ep(1)

2.4 寻找标签

同样回到刚刚的那张图

在上一步，我们已经找到了所有的 li 标签，也知道如何取索引其中的元素，但我们现在要准确定位到某一个元素，比如上图中 id = note-11772642 这个 li 标签。

这时候 filter(selecter) 就派上了用场

li_spec = pq_class.filter('#note-11772642')

这样我们就找到了指定的这个 li 标签，需要注意的是， filter 函数只能在同一级标签中寻找，比如在这里只能过滤 li 标签，而不能定位 li 标签下的 a 标签、 div 标签等。

当然，针对这种情况， pyquery 为我们提供了另外一个函数 find(selector)，该函数用于寻找子节点，继续以上图为例，寻找该特定 li 标签下的 p 标签

p_tag = li_spec.find('p')

2.5 提取属性与值

以上我们讲了许多关于标签的知识，现在来谈谈怎么获取标签内的属性和标签包裹的文本，实际的爬虫项目中，通常这是最重要的一步，比如从 a 标签中获取链接、从 li 标签或者 p 标签中获取文本。

获取属性：

使用 attr() 函数，以我们之前获取的 li 标签为例，获取其中的 id 属性

# 获取 id 属性的方法
li_spec_id = li_spec.attr('id')
li_spec_id_2 = li_spec.attr.id
li_spec_id_3 = li_spec.attr['id']

获取文本：

使用 text()函数， 以我们之前得到的 p 标签为例，获取其中的文本。

string = p_tag.text()

到此，在爬虫中会使用到的函数就是这些了。

3、小结

pyquery 还拥有操作文档树的能力，本篇文章着重介绍与爬虫相关的知识，所以就不再此详细叙述了，有兴趣的同学移步官方文档：
http://pythonhosted.org/pyquery/index.html

最后，既然我们都分析了简书首页，请大家根据所学内容爬取简书首页所有的文章标题和文章链接，然后打印出来吧，像下图一样

当然，我们也给出参考代码：
https://git.oschina.net/zx576/Crossin-practices/blob/master/python_weekly_modual/modual_pyquery/query.py