爬虫神器之PyQuery实用教程(二),50行代码爬取穷游网

咪哥杂谈

共 2356字,需浏览 5分钟

 ·

2019-10-21 23:20

咪哥杂谈

9dc79c2bae3f9985a8bf4f6d60a6d94a.webp

本篇阅读时间约为 8 分钟。


1

前言


上篇 PyQuery (一) 文章的结尾发起了个投票,采纳建议。。看来文章长度适中较好。保留原有风格,原有风格的长度可能恰好合适。认真阅读时间在 4-7 分钟左右不等。


9ca66d14d1def8fc80718d5689d43aba.webp

投票结果: 一半一半吧。
上篇文章短了点,后续文章折中。今天来介绍具体 PyQuery 的使用方法。


2

穷游网目标与分析


开始之前,按照之前的套路一步步来。
一、先确立目标。
我们要爬取的目标是:


1. 日本的城市
2. 去过的人数3. 城市的详情景点


二、看源码,分析元素节点。


F12 查看当前网页源代码:


https://place.qyer.com/japan/citylist-0-0-1/


选中下图区域,可以看到这是一个 ul 标签,class 为 plcCitylist 。


  • ul:unordered list,“无序列表”的意思。


0dbe3b877272aa8235128414991e951b.webp


class 为 plcCitylist ,全局检索一下,ul 标签的 class 值唯一:


7cb3378803c947dabdf067f917eebc2c.webp


在这个无序标签里,有许多 li 标签,class 为 item+数字。


  • li:list item,“列表项”的意思。


81ad3194b2e71a16f9ee9fdb0b85c5b7.webp


继续分析。
有了上面两个基础结构,来看下其中提取详细信息,下图:


26639c525a6e5dba799e4897a45ccc1a.webp


城市名字:包含在 a 标签中。


去过的人数:包含在 h3 标签中,且在 p 标签中,class 为 beenton 中。


详情景点:包含在 h3 标签中,且在 p 标签中,class 为 pois 中,且在 a 标签中。


  • h3:给文本增加主标题的语义。(显示在页面上标题变粗)

  • p:段落标签



以上分析完了,其实单纯分析节点很简单。重点在于代码如何使用。


3

PyQuery代码详讲


依然是分步骤来提取我们想要的。


回忆一下,用 PyQuery 请求到源代码,拿到实例对象。


from pyquery import PyQuery as pqdoc = pq('https://place.qyer.com/japan/citylist-0-0-1')


1. css选择器,提取外层 ul 


ul_city = doc('.plcCitylist')

基于 css 选择器,获取 class="plcCitylist" 的 ul 节点元素。因为 class 值唯一,上面说过了。
在 JQuery 的语法中, . 代表着类选择器的写法,而 # 代表着 id 选择器的写法。所以直接用 .值 ,直接可以获取当前标签元素节点,如下:

4150a619863fa27f5b9a3c277945a482.webp

210ba2dcd86daf39c5f8c04231b9a06e.webp


当然,如果当标签不唯一时,你也可以这样操作,在.前面声明具体标签:
ul_city = doc('ul.plcCitylist')

925d6ddef13f7ad07b22d280bbe0da07.webp


2. 提取 ul 里层 li 节点元素
lis = ul_city('li')  

根据 ul_city 得到的节点变量,用括号加子标签的形式即可获取。
04b66103a1487c6773ab821c63dfd653.webp

但需要注意的是,尽管我们 print 打印是你看到的文字,它们实际上并不是 str 类型的字符串,而是 PyQuery 这个类型。


3. 遍历单独的 li 元素节点
当我们获取 ul 下面的 li 元素节点时,匹配到的肯定是多个。此时想要逐个解析 li ,并且获取到 li 中的城市名称等抓取信息如何做呢?
for li in lis.items(): 

通过调用 PyQuery 对象的 items 方法,即可逐层遍历相同元素,就像我们的 list 一样。
4. 标签多个 class 确定唯一值的选择器写法
仔细看我们 li 节点中的 h3 标签,class 里面是有两个值的。

.............


通过这两个值的唯一性,我们可以直接定位到 h3 元素。
h3 = li('.title.fontYaHei')

5. PyQuery 属性选择节点
如果你用不惯以上的所有获取节点元素的方法, PyQuery 还提供了一个便利的方法,即通过标签元素的属性进行定位元素。
a_city = h3('a').attr('data-bn-ipg', 'place-citylist-mix-name-1') 

h3('a') 获取的是 h3 标签里 a 标签的元素节点。

使用 .attr 时,后面两个参数说明 a 标签原本的属性由如下组成:


.............


attr 第一个参数是标签属性的名字,第二个参数则是属性具体的值。


6b85200d1e5d7c5ccaeac1b3c991b607.webp


6. PyQuery 节点元素提取文本内容
以上内容操作的都是标签元素的节点,而非本文内容,想要提取文本内容,则调用 xx.text() 方法,节点转为字符串。
p_person_nums = li('p')('.beento')print(p_person_nums.text())

42fc37460160bbbbfc44b596348985b3.webp


4

成果展示


最终的成果展示如下:

5ead86c640092b2c0ffbcef62a27bf76.webp


写入 Excel 之后,可以看到第二行的数据都在一行,不方便美观,即使我代码中做了换行的操作。
所以程序跑完后,需要手动操作下 Excel ,让换行符生效,如下操作:
选中一列,然后数据 -> 分列:

ef8a9f0c475cf3d8c326dae3f4b79604.webp

506f6174171640962c38b982c5cfce42.webp

a4339e34ef433f29958540f43cc5338f.webp


选成文本,完成即可,自己就换行显示了。

e15bbb78da804b59f36eb74e51f8fbae.webp


获取到的信息写入 Excel 中。比如你想去哪个国家游玩,自己查攻略,通过这种方式来解决信息的整理,也是一种不错的高效方法。

5

总结


以上提到的 6 点,便是 PyQuery 常用到的基础方法。如果还有想了解具体详情的小伙伴,可以自行去官网查阅具体使用技巧。

实战中进步,学完 PyQuery 的用法,是否觉得学会了一个高效的解析节点的方法库呢?
关于本篇文章的全部源代码,去除空行约 50 行,非常简短,已经上传到 github 了。
有想学习的朋友,可以后台回复 "穷游" 二字,即可获取源码地址。
有什么想探讨的,欢迎留言区留言呐!!25915823a0497f1f0a7d299ed9c766a8.webp25915823a0497f1f0a7d299ed9c766a8.webp




▼往期精彩回顾▼
大家好,我,一岁啦!
如何高效的阅读Python第三方库源码
爬虫神器之 PyQuery 实用教程(一)



ecfbaf97ffe326bdada6d6140b6b71ac.webp你点的每个在看,我都认真当成了喜欢
浏览 133
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报