【学习之路】004.Python 解析 HTML 文档库：PyQuery

在 Python 中解析 HTML 和 XML 文档有很多库可供使用，包括但不限于：

Beautiful Soup: 一个解析库，用来从 HTML 和 XML 文档中提取数据。它使用简单，并且能够以流畅的方式处理复杂的文档结构。
lxml: 一个高性能的解析库，支持 XPath 和多种不同的解析模式。它可以从 HTML 和 XML 文档中提取数据，并且可以用来构建新的文档。
PyQuery: 一个轻量级的库，使用方式类似于 jQuery，是对 lxml 的进一步封装。它可以用来从 HTML 和 XML 文档中提取数据，并且可以用来构建新的文档。
html5lib: 一个慢速但容错性强的库，可以解析有误或不完整的 HTML 文档。

对于选择哪个库，要考虑到你的需求和对性能的要求。如果需要快速地处理大型文档，那么 lxml 和 Beautiful Soup 可能是最好的选择。如果你需要一个轻量级的库，或者希望使用类似于 jQuery 的 API 来提取数据，那么 PyQuery 可能是最合适的选择。如果你需要处理有误或不完整的 HTML 文档，那么 html5lib 可能是最合适的选择。

本文主要介绍 PyQuery ，并简要分析这个 jquery-like library 在处理 HTML 的 API 与 jQuery 相比有哪些改动。

开始使用

要使用 PyQuery，首先需要安装它：

然后可以使用 PyQuery 解析 HTML 或 XML 文档，可以从字符串（Bytes）、文件或 url 加载，例如：

选取节点

与 jQuery 类似，PyQuery 使用 CSS 选择器选取元素（Element）或节点（Node）。

也可使用较复杂的选择器：

当获取到的元素不止一个时，可以遍历获取：

注意，如果直接调用方法获取文本内容或其他属性，只能获取第一个元素的对应属性。

读取属性

当定位到了想要的节点，可以获取该节点的属性（Attributes）：

也可以设置或获取 CSS 属性（’-‘ 需要改成 ‘_’）：

自然少不了最重要的 text 与 html 这两种方法：

注意，以上两种方法获取的是元素子节点内容，相当于原生 js 的 innerText 与 innerHTML，要获取完整 html 内容，可以使用另一方法。

总结

PyQuery 是一个基于jquery风格的，用于解析和操作 HTML 和 XML 文档的 Python 库，但并不完全兼容 jQuery 。它并不支持所有 jQuery 的特性，并且语法略有不同。由于 PyQuery 一般用于爬虫等场景，复刻全部 jQuery 功能既不现实也无必要。

在 jQuery 江河日下的今天，其在前端领域操作 DOM 的机会已经大大减少，大有成为时代的眼泪之势。而在 Python 中能看到这样一个类 jQuery 的好用解析库，泪目。也许随着前后端分离的大趋势的到来，动态网页逐渐占据主流，日后像 PyQuery 这样的 HTML 解析库终有一天也会被人忘却。

最后，感谢 PyQuery 作者大大，并引用他的一句话结尾：

I just liked the jquery API and I missed it in python so I told myself “Hey let’s make jquery in python”. This is the result.