PyQuery是解析页面常用的库.是python对jquery的封装.
下面是一份解析基本页面的代码.后期用到复杂或者实用的方式再增加.

 from pyquery import PyQuery as pq

 # 参数为字符串的情况

 html_str = "<html></html>"

 # 参数为网页链接（需带 http：//）

 your_url = "http://www.baidu.com"

 # 参数为文件

 path_to_html_file = "hello123.html"

 # 将参数传入pq库之后得到html页面

 # d = pq(html_str)

 # d = pq(etree.fromstring(html_str))

 # d = pq(url=your_url)

 # d = pq(url=your_url,

 #        opener=lambda url, **kw: urlopen(url).read())

 d = pq(filename=path_to_html_file)

 # 此时的'd'相当于Jquery的'$',选择器,可以通过标签,id,class等选择元素

 # 通过id选择

 table = d("#my_table")

 # 通过标签选择

 head = d("head")

 # 通过样式选择,多个样式写一起,使用逗号隔开即可

 p = d(".p_font")

 # 获取标签内的文本

 text = p.text()

 print text

 # 获取标签的属性值

 t_class = table.attr('class')

 print t_class

 # 遍历标签内的选项

 # 打印表格中的td中的文字

 for item in table.items():

     # 这个循环只循环一次,item仍然是pquery的对象

     print item.text()

 for item in table('td'):

     # 这个循环循环多次,item是html的对象

     print item.text

用于测试的html代码:

 1 
 2     <head>
 3         <title>Test</title>

     </head>

     <body>

         <h1>Parse me!</h1>

         <img src = "" />

         <p>A paragraph.</p>

                 <p class = "p_font">A paragraph with class.</p>

                 <!-- comment -->

         <div>

             <p>A paragraph in div.</p>

         </div>

         <table id = "my_table" class = "test-table">

         <thead>

         </thead>

         <tbody>

             <tr>

                 <td>Month</td>

                 <td>Savings</td>

             </tr>

             <tr>

                 <td>January</td>

                 <td>$100</td>

             </tr>

         </tbody>

         </table>

     </body>

 </html>

分析html的结果输出如下:

A paragraph with class.
test-table
Month Savings January $100
Month
Savings
January
$100

由于使用python2,有的网页使用requests直接抓取下来放入pyquery()里面会出编码问题,这时使用unicode()转换一下即可.部分代码如下:

import requests

from pyquery import PyQuery as pq

r = requests.get('http://www.baidu.com')

# d = pq(r.content)

u = unicode(r.content, 'utf-8')

d = pq(u)

Python爬虫常用之PyQuery的更多相关文章

  1. Python爬虫常用小技巧之设置代理IP

    设置代理IP的原因 我们在使用Python爬虫爬取一个网站时,通常会频繁访问该网站.假如一个网站它会检测某一段时间某个IP的访问次数,如果访问次数过多,它会禁止你的访问.所以你可以设置一些代理服务器来 ...

  2. 爬虫-Python爬虫常用库

    一.常用库 1.requests 做请求的时候用到. requests.get("url") 2.selenium 自动化会用到. 3.lxml 4.beautifulsoup 5 ...

  3. python爬虫常用第三方库

    这个列表包含与网页抓取和数据处理的Python库 网络 通用 urllib -网络库(stdlib). requests -网络库. grab – 网络库(基于pycurl). pycurl – 网络 ...

  4. 芝麻HTTP： Python爬虫利器之PyQuery的用法

    前言 你是否觉得 XPath 的用法多少有点晦涩难记呢? 你是否觉得 BeautifulSoup 的语法多少有些悭吝难懂呢? 你是否甚至还在苦苦研究正则表达式却因为少些了一个点而抓狂呢? 你是否已经有 ...

  5. Python 爬虫常用的库

    一.常用库 1.requests 做请求的时候用到. requests.get("url") 2.selenium 自动化会用到. 3.lxml 4.beautifulsoup 5 ...

  6. 【Python爬虫】安装 pyQuery 遇到的坑 Could not find function xmlCheckVersion in library libxml2. Is libxml2 installed?

    windows 64位操作系统下,用 Python 抓取网页,并用 pyQuery 解析网页 pyQuery是jQuery在python中的实现,能够以jQuery的语法来操作解析HTML文档,十分方 ...

  7. Python爬虫常用之HtmlParser

    HtmlParser,顾名思义,是解析Html的一个工具.python自带的. 一.常用属性和方法介绍 HtmlParser是一个类,在使用时一般继承它然后重载它的方法,来达到解析出需要的数据的目的. ...

  8. Python爬虫常用库安装

    建议更换pip源到国内镜像,下载会快很多:https://www.cnblogs.com/believepd/p/10499844.html requests pip3 install request ...

  9. python爬虫常用库和安装 -- windows7环境

    1:urllib  python自带 2:re      python自带 3:requests     pip install requests 4:selenium      需要依赖chrome ...

随机推荐

  1. python3-递归

    # Auther: Aaron Fan """递归特性:1. 必须有一个明确的结束条件2. 每次进入更深一层递归时,问题规模相比上次递归都应有所减少3. 递归效率不高,递 ...

  2. LoadRunner使用问题

    最近给客户做POC,为了测试大数据的框架的一个并发能力,使用loadrunner进行相关的测试,目前发现几个要注意的地方 1: loadrunner的Java脚本必须使用jdk1.6的32位版本 2: ...

  3. js实现在表格中删除和添加一行

    <!DOCTYPE html><html> <head> <title> new document </title> <meta ht ...

  4. Codeforces Round #272 (Div. 1) A. Dreamoon and Sums（数论）

    题目链接 Dreamoon loves summing up something for no reason. One day he obtains two integers a and b occa ...

  5. css3的那些高级选择器一

    css大家都不陌生了,从1996年12月css1正式推出,经历了1998年5月css2,再到2004年2月css2.1,最后一直到2010年推出的css3.css的推出给web带来巨大 的改变,使我们 ...

  6. Oracle的列操作(增加列,修改列,删除列)，包括操作多列

    增加一列: alter table emp4 add test varchar2(10); 修改一列: alter table emp4 modify test varchar2(20); 删除一列: ...

  7. 挂载ISO 和 KILL 掉占用进程

    mount -t iso9660 -o loop,user VMware-tools-linux-8.6.0-425873.iso /mnt/cdrom fuser -m -v -i -k  /mnt ...

  8. .net Stream篇（七）

    NetworkStream 目录: NetworkStream的作用 简单介绍下TCP/IP 协议和相关层次 简单说明下 TCP和UDP的区别 简单介绍下套接字(Socket)的概念 简单介绍下Tcp ...

  9. ubuntu 14.04 x64下安装libreoffice

    LibreOffice是ubuntu 上的办公软件很多人都知道微软公司的的Word.Excel.PowerPoint和Outlook,但是很少有人知道LibreOffice. LibreOffice靠 ...

  10. [.net 多线程]Mutex

    Mutex是可以进程间同步的同步基元.   名称 说明 Mutex() 使用默认属性初始化 Mutex 类的新实例. Mutex(Boolean) 使用 Boolean 值(指示调用线程是否应具有互斥 ...