python网络爬虫系列教程——python中pyquery库应用全解

来源:互联网 发布:asp与php哪个好 编辑:程序博客网 时间:2024/06/07 03:35

全栈工程师开发手册 (作者:栾鹏)

python教程全解

python网络爬虫lxml库的应用全解。

在线安装方法:cmd中输入”pip install pyquery”

离线安装,下载pyquery库点击下载

python库的安装请参考Python库的安装与卸载

具体讲解废话太多,看代码注释最快。

python2.7、python3.6中代码

#coding:utf-8#网络爬虫库pyquery的应用,以下代码同时支持python2和python3from pyquery import PyQuery as pqprint(u'=====================初始化====================')doc = pq("<html></html>")  #传入html代码#from lxml import etree#doc = pq(etree.fromstring("<html></html>"))  #可以首先用lxml 的 etree 处理一下代码doc = pq('http://www.baidu.com')  #传入网址text = '''<html><body><div>    <ul>         <li class="item-0"><a href="link1.html">first item</a></li>         <li class="item-1"><a href="link2.html">second item</a></li>         <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>         <li class="item-1"><a href="link4.html">fourth item</a></li>         <li class="item-0"><a href="link5.html">fifth item</a>     </li></ul> </div></body></html>'''#将字符串写入文件fh = open('test.html', 'w')fh.write(text)fh.close()doc = pq(filename='test.html')  #传入本地文件print(doc.html())   #获取元素的内部html代码print(type(doc))   #返回类型是PyQueryli = doc('li')  #获取所有的li元素print(type(li))  #返回类型依然是PyQuery,可以进行二次筛选print(li.text())  #获取li的内部文本print(u'=====================属性====================')p = pq('<p id="hello" class="hello"></p>')('p')  #创建dom树后获取标签print(p.attr("id"))   #读取属性值print(p.attr("id", "plop"))   #设置属性值print(p.attr("id", "hello"))  #设置属性值print(p.addClass('beauty'))  #添加classprint(p.removeClass('hello'))  #去除classprint(p.css('font-size', '16px'))  #设置css值print(p.css({'background-color': 'yellow'}))  #通过列表设置cssprint(u'=====================DOM====================')print(p.append(' check out <a href="http://reddit.com/r/python"><span>reddit</span></a>'))  #在内部原有html代码后添加代码print(p.prepend('Oh yes!'))  #在内部原有html代码前添加代码d = pq('<div class="wrap"><div id="test"><a href="http://cuiqingcai.com">Germy</a></div></div>')  #创建一个dom树td = d('#test')  #获取id为test的元素p.prependTo(td)  #将p元素添加到td元素内,在td内部html代码的前面,源节点不变print(d)d.empty()  #清空元素内部html代码print(d)print(u'=====================遍历====================')doc = pq(filename='test.html')lis = doc('li')for li in lis.items():    print(li.html())  #打印li元素的内部html代码print(lis.each(lambda e: e))  #each遍历函数,lambda表达式,不常用print(u'=====================网页请求====================')print(pq('http://www.525heart.com/index/index/index.html', headers={'user-agent': 'pyquery'}))  #get请求方式,可设置headersprint(pq('http://httpbin.org/post', {'foo': 'bar'}, method='post', verify=True))  #post请求方式,可设置data和headers,已经控制是否检验
阅读全文
1 0
原创粉丝点击