python3中beautifulsoup的使用方法
在上一节我们介绍了beautifulsoup的使用，它是一个非常强大的网页解析库，可有没有觉得它的一些方法使用有点不适应？有没有觉得它的css选择器功能没有那么强大？
如果你对web有所涉及，如果你比较喜欢用css选择器，如果你对jquery有所了解，那么这里有一个更适合你的解析库——pyquery。
接下来我们就来感受一下pyquery的强大之处。
初始化
像beautifulsoup一样，pyquery初始化的时候也需要传入html数据源来初始化一个操作对象，它的初始化方式有多种，比如直接传入字符串，传入url，传文件名。下面我们来详细介绍一下。
字符串初始化
运行结果：
在这里我们首先引入了pyquery这个对象，取别名为pq，然后声明了一个长html字符串，当作参数传递给pyquery，这样就成功完成了初始化，然后接下来将初始化的对象传入css选择器，在这个实例中我们传入li节点，这样就可以选择所有的li节点，打印输出可以看到所有的li节点的html文本。
url初始化
初始化的参数不仅可以以字符串的形式传递，还可以传入网页的url，在这里只需要指定参数为url即可。
这样的话pyquery会首先请求这个url，然后用得到的html内容完成初始化，其实就相当于我们用网页的源代码以字符串的形式传递给pyquery来初始化。
它与下面的功能是相同的：
文件初始化
当然除了传递一个url，还可以传递本地的文件名，参数指定为filename即可。
当然在这里需要有一个本地html文件demo.html，内容是待解析的html字符串。这样它会首先读取本地的文件内容，然后用文件内容以字符串的形式传递给pyquery来初始化。
以上三种初始化方式均可，当然最常用的初始化方式还是以字符串形式传递。
基本css选择器
我们首先用一个实例来感受一下pyquery的css选择器的用法。
在这里我们初始化pyquery对象之后，传入了一个css选择器，#container .list li，意思是选取id为container的节点内部的class为list的节点内部的所有li节点。然后打印输出，可以看到成功获取到了符合条件的节点。
然后我们将它的类型打印输出，可以看到它的类型依然是pyquery类型。
下面我们介绍一些常用的查询函数，这些函数和jquery中的函数用法也完全相同。
查找子节点需要用到find()方法，传入的参数是css选择器，我们还是以上面的html为例。
首先我们选取了class为list的节点，然后我们调用了find()方法，传入了css选择器，选取其内部的li节点，最后都打印输出即可观察到对应的查询结果，可以发现find()方法会将符合条件的所有节点选择出来，结果的类型是pyquery类型。
其实find()的查找范围是节点的所有子孙节点，而如果我们只想查找子节点，那可以用children()方法。
如果要筛选所有子节点中符合条件的节点，比如我们想筛选出子节点中class为active的节点，可以向children()方法传入css选择器.active
可以看到输出的结果已经做了筛选，留下了class为active的节点。
我们可以用parent()方法来获取某个节点的父节点，我们用一个实例来感受一下：
在这里我们首先用.list选取了class为list的节点，然后调用了parent()方法，得到其父节点，类型依然是pyquery类型。
这里的父节点是该节点的直接父节点，也就是说，它不会再去查找父节点的父节点，即祖先节点。
但是如果我们想获取某个祖先节点怎么办呢？可以用parents()方法。
在这里我们调用了parents()方法，可以看到输出结果有两个，一个是class为wrap的节点，一个是id为container的节点，也就是说，parents()方法会返回所有的祖先节点。
如果我们想要筛选某个祖先节点的话可以向parents()方法传入css选择器，这样就会返回祖先节点中符合css选择器的节点。
可以看到输出结果就少了一个节点，只保留了class为wrap的节点。
兄弟节点
在上面我们说明了子节点和父节点的用法，还有一种节点那就是兄弟节点，如果要获取兄弟节点可以使用siblings()方法。我们还是以上面的html代码为例来感受一下：
在这里我们首先选择了class为list的节点内部的class为item-0和active的节点，也就是第三个li节点。那么很明显它的兄弟节点有四个，那就是第一、二、四、五个li节点。
运行结果：
可以看到运行结果也正是我们刚才所说的四个兄弟节点。
如果要筛选某个兄弟节点，我们依然可以向方法传入css选择器，这样就会从所有兄弟节点中挑选出符合条件的节点了。
在这里我们筛选了class为active的节点，通过刚才的结果我们可以观察到class为active的兄弟节点只有第四个li节点，所以结果应该是一个。
运行结果：
我们刚才可以观察到，pyquery的选择结果可能是多个节点，可能是单个节点，类型都是pyquery类型，并没有返回像beautifulsoup一样的列表。
对于单个节点来说，我们可以直接打印输出，也可直接转成字符串。
对于多个节点的结果，我们就需要遍历来获取了，例如这里我们把每一个li节点进行遍历,，需要调用items()方法。
在这里我们可以发现调用items()方法后，会得到一个生成器，遍历一下，就可以逐个得到li节点对象了，它的类型也是pyquery类型，所以每个li标签还可以调用前面所说的方法进行选择，比如继续查询子节点，寻找某个祖先节点等等，非常灵活。
提取到节点之后，我们的最终目的当然是提取节点所包含的信息了，比较重要的信息有两类，一是获取属性，二是获取文本，下面我们分别进行说明。
提取到某个pyquery类型的节点之后，我们可以调用attr()方法来获取属性。
结果是完全一样的，在这里我们没有调用方法，而是调用了attr属性，然后再调用属性名，同样可以得到属性值。
如果我们选中的是多个元素，然后调用attr()方法会出现怎样的结果？我们用一个实例来测试一下。
照理来说我们选中的a节点应该有四个，而且打印结果也是四个，但是当我们调用attr()方法时，返回的结果却只是第一个。
所以当返回结果包含多个节点时，调用attr()方法只会得到第一个节点的属性。
那么遇到这种情况如果我们想获取所有的a节点的属性，就需要用到上文所说的遍历了。
所以，在进行属性获取的时候观察一下返回节点是一个还是多个，如果是多个，则需要遍历才能依次获取每个节点的属性。
获取节点之后的另一个主要的操作就是获取其内部的文本了，我们可以调用text()方法来获取。
我们首先选中了一个a节点，然后调用了text()方法，就可以获取其内部的文本信息了，它会忽略掉标签内部包含的所有html，只返回纯文字内容。
但如果我们想要获取这个节点内部的html文本，就可以用html()方法。
这里我们选中了第三个li节点，然后调用了html()方法，它返回的结果应该是li标签内的所有html文本。
运行结果：
这里同样有一个问题，如果我们选中的结果是多个节点，text()或html()会返回什么内容？
我们用一个实例来看一下：
结果可能比较出乎意料，我们选中的是所有的li节点，可以发现html()方法返回的是第一个li节点的内部html文本，而text()则返回了所有的li节点内部纯文本，中间用一个空格分割开，实际上是一个字符串。
所以这个地方值得注意，如果我们得到的结果是多个节点，如果要获取每个节点的内部html文本，则需要遍历每个节点，而text()方法不需要遍历就可以获取，它是将所有节点取文本之后合并成一个字符串。
pyquery提供了一系列方法来对节点进行动态修改操作，比如为某个节点添加一个class，移除某个节点等等，这些操作有时候会为提取信息带来极大的便利。
由于节点操作的方法太多，下面举几个典型的例子来说明它的用法。
我们先用一个实例来感受一下：
首先我们选中了第三个li节点，然后调用了removeclass()方法，将li的active这个class移除，后来又调用了addclass()方法，又将class添加回来，每执行一次操作，就打印输出一下当前li节点的内容。
运行结果：
可以看到一共进行了三次输出，第二次输出li标签的active这个class被移除了，第三次class又添加回来了。
所以说我们addclass()、removeclass()这些方法可以动态地改变节点的class属性。
attr、text、html
当然除了操作class这个属性，也有attr()方法来专门针对属性进行操作，也可以用text()、html()方法来改变节点内部的内容。
我们用实例感受一下：
在这里我们首先选中了li标签，然后调用attr()方法来修改属性，第一个参数为属性名，第二个参数为属性值，然后我们调用了text()和html()方法来改变节点内部的内容。三次操作后分别又打印输出当前li节点。
运行结果：
可以发现，调用attr()方法后，li节点多来一个原本不存在的属性name，其值为link，调用text()方法，传入文本之后，发现li节点内部的文本就全被改变为传入的字符串文本了。调用html()方法传入html文本之后，li节点内部又改变为传入的html文本。
所以说，attr()方法如果只传入第一个参数属性名，则是获取这个属性值，如果传入第二个参数，可以用来修改属性值，text()和html()方法如果不传参数是获取节点内纯文本和html文本，如果传入参数则是进行赋值。
remove顾名思义移除，remove()方法有时会为信息的提取带来非常大的便利。下面我们看一个实例：
在这里有一段html文本，我们现在想提取hello, world这个字符串，而不要p节点内部的字符串，这个怎样来提取？
在这里我们直接先尝试提取class为wrap的节点的内容，看看是不是我们想要的，运行结果如下：
然而这个结果还包含了内部的p节点的内容，也就是说text()把所有的纯文本全提取出来了。如果我们想去掉p节点内部的文本，可以选择再把p节点内的文本提取一遍，然后从整个结果中移除这个子串，但这个做法明显比较繁琐。
那这是remove()方法就可以派上用场了，我们可以接着这么做:
我们首先选中了p节点，然后调用了remove()方法将其移除，然后这时wrap内部就只剩下hello, world这句话了，然后再利用text()方法提取即可。
所以说，remove()方法可以删除某些冗余内容，来方便我们的提取。在适当的时候使用可以极大地提高效率。
另外其实还有很多节点操作的方法，比如append()、empty()、prepend()等方法，他们和jquery的用法是完全一致的，详细的用法可以看到官方文档。
css选择器之所以强大，还有一个很重要的原因就是它支持多种多样的伪类选择器。例如选择第一个节点、最后一个节点、奇偶数节点、包含某一文本的节点等等，我们用一个实例感受一下：
在这里我们使用了css3的伪类选择器，依次选择了第一个节点、最后一个节点、第二个节点、第三个之后的节点、偶数位置的节点、包含second文本的节点，功能十分强大。
更多的css选择器的用法可以参照http://w3school/css/index.asp
到此为止pyquery的常用用法就介绍完了，如果想查看更多的内容可以参考一下pyquery的官方文档http://pyquery.readthedocs.io，相信有了它，解析网页不再是难事。
本文作者：天善社区专家崔庆才，个人博客：静觅
天善学院爬虫3课程推荐：